爬取蔚蓝书店上的数据 采集的内容有图书封面、书名、ISBN、作者、价格、出版日期、出版社等,要求有数据爬取、存储、展示过程 数据爬取、存储、展示过程的在flask web程序中控制 数据存储在MongoDB中 程序代码分包、
时间: 2024-02-01 17:04:28 浏览: 142
为了完成这个任务,我们需要进行以下几个步骤:
1. 确定要爬取的网站和页面,分析页面结构,确定需要爬取的数据字段。
2. 使用 Python 的 requests 库和 BeautifulSoup 库进行网页爬取和解析。
3. 将爬取的数据存储到 MongoDB 数据库中。
4. 编写 Flask web 程序,通过路由控制数据的展示。
下面我们逐步实现这些步骤。
## 确定要爬取的网站和页面
本次任务要爬取的网站是蔚蓝书店(https://www.bluebook.net.cn/)。我们要爬取的页面是“新书上架”页面(https://www.bluebook.net.cn/book/newbook.html)。
在该页面中,我们需要爬取的数据字段有:
- 图书封面
- 书名
- ISBN
- 作者
- 价格
- 出版日期
- 出版社
## 使用 Python 的 requests 库和 BeautifulSoup 库进行网页爬取和解析
我们使用 requests 库进行网页的爬取,使用 BeautifulSoup 库进行网页的解析。具体实现代码如下:
```python
import requests
from bs4 import BeautifulSoup
url = "https://www.bluebook.net.cn/book/newbook.html"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 Edge/16.16299"
}
response = requests.get(url, headers=headers)
soup = BeautifulSoup(response.content, "html.parser")
```
在上面的代码中,我们首先定义了要爬取的页面的 URL 和请求头部信息。然后使用 requests 库发送 GET 请求,获取网页的 HTML 内容。接着使用 BeautifulSoup 库对 HTML 内容进行解析,得到一个 BeautifulSoup 对象,我们将用它来获取需要的数据。
下面我们来分析一下页面的结构,确定我们需要爬取的数据字段和对应的 HTML 标签。
我们可以看到,每个图书信息都包含在一个 class 为 “bookinfo” 的 div 标签中。在这个 div 标签中,我们可以找到需要的所有数据字段。
```html
<div class="bookinfo">
<div class="pic">
<a target="_blank" href="/book/2021/978-7-121-40752-4.html">
<img src="https://www.bluebook.net.cn/BookPic/9787121407524.jpg" alt="Python数据分析入门到实践" width="120" height="160">
</a>
</div>
<div class="info">
<div class="title">
<a target="_blank" href="/book/2021/978-7-121-40752-4.html">Python数据分析入门到实践</a>
</div>
<div class="author">王斌</div>
<div class="publisher">电子工业出版社</div>
<div class="price">¥79.00</div>
<div class="pubdate">2021-09-01</div>
<div class="isbn">ISBN:978-7-121-40752-4</div>
</div>
</div>
```
在上面的代码中,我们可以看到,书名信息包含在一个 class 为 “title” 的 div 标签中,作者信息包含在一个 class 为 “author” 的 div 标签中,ISBN 信息包含在一个 class 为 “isbn” 的 div 标签中,价格信息包含在一个 class 为 “price” 的 div 标签中,出版日期信息包含在一个 class 为 “pubdate” 的 div 标签中,出版社信息包含在一个 class 为 “publisher” 的 div 标签中。
图书封面信息包含在一个 class 为 “pic” 的 div 标签中,我们需要获取它的子标签 img 的 src 属性,即可得到图书封面的 URL。
下面我们来编写代码,将需要的数据字段爬取下来,并存储到一个列表中。
```python
books = []
for book in soup.select(".bookinfo"):
title = book.select_one(".title a").text.strip() # 书名
author = book.select_one(".author").text.strip() # 作者
publisher = book.select_one(".publisher").text.strip() # 出版社
price = book.select_one(".price").text.strip() # 价格
pubdate = book.select_one(".pubdate").text.strip() # 出版日期
isbn = book.select_one(".isbn").text.strip() # ISBN
pic_url = book.select_one(".pic img").get("src") # 图书封面 URL
book_dict = {
"title": title,
"author": author,
"publisher": publisher,
"price": price,
"pubdate": pubdate,
"isbn": isbn,
"pic_url": pic_url
}
books.append(book_dict)
```
在上面的代码中,我们首先定义了一个列表 books 来存储所有的图书信息。然后使用 select 方法选择 class 为 “bookinfo” 的 div 标签,对每一个标签进行解析,获取需要的数据字段,并将它们存储到一个字典中。最后将这个字典添加到列表 books 中。
## 将爬取的数据存储到 MongoDB 中
为了将爬取的数据存储到 MongoDB 中,我们需要安装 pymongo 库,该库提供了 Python 对 MongoDB 数据库的操作方法。
安装 pymongo 库的命令如下:
```
pip install pymongo
```
下面我们来编写代码,将爬取的数据存储到 MongoDB 中。
```python
import pymongo
client = pymongo.MongoClient("mongodb://localhost:27017/")
db = client["bluebook"]
collection = db["books"]
for book in books:
collection.insert_one(book)
```
在上面的代码中,我们首先使用 pymongo 库创建了一个 MongoDB 客户端对象,并连接到本地的 MongoDB 数据库。然后选择数据库和集合,将爬取的数据插入到集合中。
## 编写 Flask web 程序,通过路由控制数据的展示
下面我们来编写 Flask web 程序,实现数据的展示。我们将数据展示在一个 HTML 页面中,通过路由控制页面的访问。
首先,我们需要安装 Flask 和 Flask-PyMongo 库,这两个库分别用于开发 web 程序和连接 MongoDB 数据库。
安装命令如下:
```
pip install Flask Flask-PyMongo
```
然后,我们编写一个名为 app.py 的文件,包含以下代码:
```python
from flask import Flask, render_template, request
from flask_pymongo import PyMongo
app = Flask(__name__)
app.config["MONGO_URI"] = "mongodb://localhost:27017/bluebook"
mongo = PyMongo(app)
@app.route("/")
def index():
books = mongo.db.books.find()
return render_template("index.html", books=books)
if __name__ == "__main__":
app.run(debug=True)
```
在上面的代码中,我们首先导入 Flask、render_template 和 PyMongo 模块。然后创建 Flask 应用程序对象 app 和 PyMongo 对象 mongo。通过设置 app 配置项 MONGO_URI,我们连接到 MongoDB 数据库,选择名为 “bluebook” 的数据库。
接着,我们定义了一个路由 “/”,该路由用于展示图书信息。在该路由中,我们使用 mongo.db.books.find() 方法查询数据库中所有的图书信息,并将它们存储到变量 books 中。最后,我们使用 render_template 方法渲染 HTML 模板,并将变量 books 传递给模板。
下面我们来编写 HTML 模板,用于展示图书信息。在 templates 目录下创建一个名为 index.html 的文件,包含以下代码:
```html
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>蔚蓝书店新书上架</title>
</head>
<body>
<h1>蔚蓝书店新书上架</h1>
<table>
<thead>
<tr>
<th>图书封面</th>
<th>书名</th>
<th>ISBN</th>
<th>作者</th>
<th>价格</th>
<th>出版日期</th>
<th>出版社</th>
</tr>
</thead>
<tbody>
{% for book in books %}
<tr>
<td><img src="{{ book.pic_url }}" width="60" height="80"></td>
<td>{{ book.title }}</td>
<td>{{ book.isbn }}</td>
<td>{{ book.author }}</td>
<td>{{ book.price }}</td>
<td>{{ book.pubdate }}</td>
<td>{{ book.publisher }}</td>
</tr>
{% endfor %}
</tbody>
</table>
</body>
</html>
```
在上面的代码中,我们使用 HTML 和 Flask 的模板语言,展示图书信息。通过使用 for 循环,我们将所有的图书信息依次渲染到表格中。
最后,我们在命令行中执行以下命令,启动 Flask 应用程序:
```
python app.py
```
然后在浏览器中访问 http://127.0.0.1:5000/,即可看到爬取的图书信息。
至此,我们已经完成了本次任务的所有步骤,实现了数据的爬取、存储、展示。
阅读全文