Python抓取京东图书评论数据


Posted in Python onAugust 31, 2014

 京东图书评论有非常丰富的信息,这里面就包含了购买日期、书名、作者、好评、中评、差评等等。以购买日期为例,使用Python + Mysql的搭配进行实现,程序不大,才100行。相关的解释我都在程序里加注了:

from selenium import webdriver
from bs4 import BeautifulSoup
import re
import win32com.client
import threading,time
import MySQLdb

def mydebug():
    driver.quit()
    exit(0)

def catchDate(s):
    """页面数据提取"""
    soup = BeautifulSoup(s)
    z = []
    global nowtimes
   
    m = soup.findAll("div",class_="date-buy")
    for obj in m:
        try:
            tmp = obj.find('br').contents
        except Exception, e:
            continue
        if(tmp != ""):
            z.append(tmp)
            nowtimes += 1
    return z

def getTimes(n,t):
    """获取当前进度"""
    return "当前进度为:" + str(int(100*n/t)) + "%"

#———————————————————————————————————| 程序开始 |—————————————————————————————————
#确定图书大类
cate = {"3273":"历史","3279":"心理学","3276":"政治军事","3275":"国学古籍","3274":"哲学宗教","3277":"法律","3280":"文化","3281":"社会科学"}

#断点续抓
num1 = input("bookid:")
num2 = input("pagenumber:")

#生成图书大类链接,共需17355*20 = 347100次
totaltimes = 347100.0
nowtimes = 0

#开启webdirver的PhantomJS对象
#driver = webdriver.PhantomJS()
driver = webdriver.Ie('C:\Python27\Scripts\IEDriverServer')
#driver = webdriver.Chrome('C:\Python27\Scripts\chromedriver')

#读出Mysql中的评论页面,进行抓取
# 连接数据库 
try:
    conn = MySQLdb.connect(host='localhost',user='root',passwd='',db='jd')
except Exception, e:
    print e
    sys.exit()

# 获取cursor对象
cursor = conn.cursor()
sql = "SELECT * FROM booknew ORDER BY pagenumber DESC"
cursor.execute(sql)
alldata = cursor.fetchall()

flag = 0
flag2 = 0

# 如果有数据返回就循环输出,http://club.jd.com/review/10178500-1-154.html
if alldata:
    for rec in alldata:
        #rec[0]--bookid,rec[1]--cateid,rec[2]--pagenumber
        if(rec[0] != str(num1) and flag == 0):
            continue
        else:
            flag = 1
        for p in range(num2,rec[2]):
            if(flag2 == 0):
                num2 = 0
                flag2 = 1
            p += 1
            link = "http://club.jd.com/review/" + rec[0] + "-1-" + str(p) + ".html"
            #抓网页
            driver.get(link)
            html = driver.page_source
            #抓评论
            buydate = catchDate(html)
            #写入数据库
            for z in buydate:
                sql = "INSERT INTO ljj (id, cateid, bookid, date) VALUES (NULL, '" + rec[0] + "','" + rec[1] + "','" + z[0] + "');"
                try:
                    cursor.execute(sql)
                except Exception, e:
                    print e
            conn.commit()
        print getTimes(nowtimes,totaltimes)

driver.quit()
cursor.close()
conn.close()

Python 相关文章推荐
Python程序设计入门(1)基本语法简介
Jun 13 Python
python爬取w3shcool的JQuery课程并且保存到本地
Apr 06 Python
django实现登录时候输入密码错误5次锁定用户十分钟
Nov 05 Python
面向初学者的Python编辑器Mu
Oct 08 Python
python+opencv实现高斯平滑滤波
Jul 21 Python
python实现点击按钮修改数据的方法
Jul 17 Python
python实现文件的分割与合并
Aug 29 Python
python代码实现TSNE降维数据可视化教程
Feb 28 Python
解决Django部署设置Debug=False时xadmin后台管理系统样式丢失
Apr 07 Python
详解Pandas 处理缺失值指令大全
Jul 30 Python
python,Java,JavaScript实现indexOf
Sep 09 Python
[原创]赚疯了!转手立赚800+?大佬的python「抢茅台脚本」使用教程
Jan 12 Python
Python深入学习之内存管理
Aug 31 #Python
Python深入学习之装饰器
Aug 31 #Python
Python深入学习之闭包
Aug 31 #Python
Python深入学习之对象的属性
Aug 31 #Python
Python深入学习之上下文管理器
Aug 31 #Python
Python深入学习之特殊方法与多范式
Aug 31 #Python
python中的reduce内建函数使用方法指南
Aug 31 #Python
You might like
PHP扩展编写点滴 技巧收集
2010/03/09 PHP
PHP跳转页面的几种实现方法详解
2013/06/08 PHP
PHP curl 获取响应的状态码的方法
2014/01/13 PHP
javascript 解析url的search方法
2010/02/09 Javascript
Js基础学习资料
2010/11/23 Javascript
jquery的键盘事件修改代码
2011/02/24 Javascript
html5 canvas js(数字时钟)实例代码
2013/12/23 Javascript
JavaScript中创建对象和继承示例解读
2014/02/12 Javascript
JS获取客户端IP地址、MAC和主机名的7个方法汇总
2014/07/21 Javascript
JavaScript分析、压缩工具JavaScript Analyser
2014/12/31 Javascript
使用AOP改善javascript代码
2015/05/01 Javascript
Flow之一个新的Javascript静态类型检查器
2015/12/21 Javascript
JavaScript中的闭包
2016/02/24 Javascript
vue2.0全局组件之pdf详解
2017/06/26 Javascript
jquery实现图片跟随鼠标的实例
2017/10/17 jQuery
JavaScript实现省市联动过程中bug的解决方法
2017/12/04 Javascript
JS代码简洁方式之函数方法详解
2020/07/28 Javascript
[04:17]DOTA2完美盛典,rOtk、BurNIng携手巴图演唱《倔强》
2017/11/28 DOTA
Python基于正则表达式实现检查文件内容的方法【文件检索】
2017/08/30 Python
基于python中pygame模块的Linux下安装过程(详解)
2017/11/09 Python
Python 中Pickle库的使用详解
2018/02/24 Python
python读取文本中数据并转化为DataFrame的实例
2018/04/10 Python
Python根据指定日期计算后n天,前n天是哪一天的方法
2018/05/29 Python
Python实现读取txt文件中的数据并绘制出图形操作示例
2019/02/26 Python
Python面向对象思想与应用入门教程【类与对象】
2019/04/12 Python
python+rsync精确同步指定格式文件
2019/08/29 Python
Python csv文件的读写操作实例详解
2019/11/19 Python
pyinstaller还原python代码过程图解
2020/01/08 Python
Python3爬虫中Selenium的用法详解
2020/07/10 Python
IE滤镜与CSS3效果(详细整理分享)
2013/01/25 HTML / CSS
单位介绍信范文
2014/01/18 职场文书
三分钟演讲稿事例
2014/03/03 职场文书
小学家长评语大全
2014/04/16 职场文书
2014小学语文教师个人工作总结
2014/12/03 职场文书
python基于机器学习预测股票交易信号
2021/05/25 Python
Nginx动静分离配置实现与说明
2022/04/07 Servers