import requestsfrom bs4 import BeautifulSoupimport pandas as pd# 构造请求头headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}# 发送请求response = requests.get('https://book.douban.com/tag/', headers=headers)# 解析页面soup = BeautifulSoup(response.text, 'html.parser')# 获取标签列表tag_list = soup.find_all('a', class_='tag-title-wrapper')book_list = []for tag in tag_list: # 构造标签页的链接 tag_url = tag['href'] # 发送标签页的请求 tag_response = requests.get(tag_url, headers=headers) # 解析标签页 tag_soup = BeautifulSoup(tag_response.text, 'html.parser') # 获取图书列表 book_items = tag_soup.find_all('li', class_='subject-item') # 遍历图书列表,获取图书名称和作者 for item in book_items: title = item.find('div', class_='info').h2.a.text.strip() author = item.find('div', class_='info').find('div', class_='pub').text.strip().split('/')[0] book_list.append((title, author))# 将图书列表转换为 DataFramedf = pd.DataFrame(book_list, columns=['书名', '作者'])# 导出为 Excel 文件df.to_excel('book_list.xlsx', index=False)改进这段代码
时间: 2024-01-01 08:06:25 浏览: 254
import sys import os import urllib from bs4 import BeautifulSoup
这段代码可以改进的地方有:
1. 使用 requests 库发送 HTTP 请求时,建议使用 Session 来管理请求,可以提高请求的效率,并且在发送多个请求时可以维持会话状态;
2. 使用 BeautifulSoup 解析 HTML 页面时,可以指定解析器,例如使用 lxml 解析器可以提高解析效率;
3. 在获取图书名称和作者时,可以使用 CSS 选择器来提取信息,例如使用 .info h2 a 来选择书名元素,使用 .info .pub 来选择作者元素;
4. 将代码封装成一个函数,提高代码的可重用性。
改进后的代码如下:
```
import requests
from bs4 import BeautifulSoup
import pandas as pd
# 构造请求头
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
}
# 创建 Session 对象
session = requests.Session()
session.headers.update(headers)
def get_book_list():
# 发送请求
response = session.get('https://book.douban.com/tag/')
# 解析页面
soup = BeautifulSoup(response.text, 'lxml')
# 获取标签列表
tag_list = soup.select('.tag-title-wrapper a')
book_list = []
for tag in tag_list:
# 构造标签页的链接
tag_url = tag['href']
# 发送标签页的请求
tag_response = session.get(tag_url)
# 解析标签页
tag_soup = BeautifulSoup(tag_response.text, 'lxml')
# 获取图书列表
book_items = tag_soup.select('.subject-item')
# 遍历图书列表,获取图书名称和作者
for item in book_items:
title = item.select_one('.info h2 a').text.strip()
author = item.select_one('.info .pub').text.strip().split('/')[0]
book_list.append((title, author))
# 将图书列表转换为 DataFrame
df = pd.DataFrame(book_list, columns=['书名', '作者'])
# 导出为 Excel 文件
df.to_excel('book_list.xlsx', index=False)
if __name__ == '__main__':
get_book_list()
```
阅读全文