本文利用Python3爬蟲抓取豆瓣圖書Top250，并利用xlwt模塊將其存儲(chǔ)至excel文件，圖片下載到相應(yīng)目錄。旨在進(jìn)行更多的爬蟲實(shí)踐練習(xí)以及模塊學(xué)習(xí)。

工具

1.Python 3.5

2.BeautifulSoup、xlwt模塊

開始動(dòng)手

首先查看目標(biāo)網(wǎng)頁(yè)的url：?https://book.douban.com/top250?start=0， 然后我嘗試了在代碼里直接通過(guò)字符串連接僅改變”start=“后面的數(shù)字的方法來(lái)遍歷所有的250/25 = 10頁(yè)內(nèi)容，但是后來(lái)發(fā)現(xiàn)不行，那樣的話出來(lái)的永遠(yuǎn)是第一頁(yè)，于是通過(guò)瀏覽器的F12開發(fā)者工具檢查，發(fā)現(xiàn)start是要post上去的，如下圖：

所以建立一個(gè)postData的dict：

postData?=?{"start": i}?#i為0,25,...225

每次將其post上去即可解決返回都是第一頁(yè)的問題。

分析網(wǎng)頁(yè)可知，一本書的羅列信息以及要爬取的點(diǎn)如下圖：

從上到下需要爬取的信息有：

1. 圖書鏈接地址

2. 封面圖片鏈接 ?我到時(shí)候會(huì)將此鏈接打開，下載圖片到本地 （download_img函數(shù)）

3. 書名 ?要注意的是這里書名取title的內(nèi)容而不去a標(biāo)簽中的string信息，因?yàn)閟tring信息可能包含諸如空格、換行符之類的字符，給處理造成麻煩，直接取title格式正確且無(wú)需額外處理。

4. 別名 ?這里主要是副標(biāo)題或者是外文名，有的書沒有這項(xiàng)，那么我們就寫入一個(gè)“無(wú)”，千萬(wàn)不可以寫入一個(gè)空串，否則的話會(huì)出現(xiàn)故障，我下面會(huì)提到。

5. 出版信息 ?如作者、譯者、出版社、出版年份、價(jià)格， 這也是重要信息之一，否則有多本書名字一致可能會(huì)無(wú)法分辨

6. 評(píng)分

7. 評(píng)價(jià)人數(shù)

除此之外，我還爬取一個(gè)“ 標(biāo)簽 ”信息，它在圖書鏈接打開之后的網(wǎng)頁(yè)中，找到它的位置如下：

爬到標(biāo)簽以后將它們用逗號(hào)連接起來(lái)作為標(biāo)簽值。

好了，既然明確了要爬的指標(biāo)，以及了解了網(wǎng)頁(yè)結(jié)構(gòu)以及指標(biāo)所在的html中的位置，那么就可以寫出如下代碼：

通過(guò)xlwt模塊存入xls文件及其問題

爬取下來(lái)了以后當(dāng)然要考慮存儲(chǔ)，這時(shí)我想試試把它存到Excel文件(.xls)中，于是搜得python操作excel可以使用xlwt,xlrd模塊，雖然他們暫時(shí)只支持到excel2003,但是足夠了。xlwt為Python生成.xls文件的模塊，而xlrd為讀取的。由于我想的是直接生成xls文件，不需用到xlrd，所以先安裝xlwt。

直接進(jìn)入Python目錄使用如下命令即可安裝xlwt：

pip3 install xlwt

安裝完后寫出操作代碼，這里同時(shí)也寫入txt文件，方便比較：

滿以為這樣就可以了，但是還是出現(xiàn)了一些錯(cuò)誤。

比如曾經(jīng)出現(xiàn)了寫著寫著就寫不下去了的情況（以下并非以上代碼產(chǎn)生的結(jié)果）：

這時(shí)我把不是str的都改成str了，不該str的盡量用數(shù)字(int,float)，然后又遇到了下面的情況：

寫到第64項(xiàng)又寫不下去了，但是那些int,float都寫完了，‘無(wú)’也是斷斷續(xù)續(xù)顯示幾個(gè)，我想，既然找不到問題，那么慢慢套吧。首先極大可能是中文編碼的問題，因?yàn)槲野岩恍┛梢圆粸閟tr類型的都賦成非str類型以后都正確地顯示了，而且上圖中的顯示在圖片路徑名那里斷了，所以我讓那一列都不顯示，居然，成功了！

如圖，除了不顯示的那一列，其它完全正常，可以斷定就是下面這里出現(xiàn)的錯(cuò)誤：

writelist=[i+j,bookName,nickname,float(rating),int(nums),"I:\\douban\\image\\"+bookName+".jpg",bookurl,notion,tag]

我的圖片路徑那里是直接字符串拼接而成的，所以可能會(huì)有編碼的錯(cuò)誤。那么稍微改一下試試：

imgpath?=?str("I:\\douban\\image\\"+bookName+".jpg");

writelist=[i+j,bookName,nickname,float(rating),int(nums),imgpath,bookurl,notion,tag]

好吧，還是不行，還是出現(xiàn)圖5的問題，但是打印在Python IDLE里面又都是正確的。

既然如此，把圖片鏈接全部改成一樣的英文試一下：

imgpath?=?str("I:\\douban\\image\\"+"a"+".jpg")

writelist=[i+j,bookName,nickname,float(rating),int(nums),imgpath,bookurl,notion,tag]

又是正確的：（'無(wú)'已改為'None'）

所以說(shuō)，還是圖片路徑的問題，那我們索性將圖片路徑那列換成圖片鏈接，采取消極應(yīng)對(duì)方法，反正這項(xiàng)是圖片鏈接還是圖片路徑無(wú)關(guān)緊要，反正圖片路徑里面有圖片就可以了。此外我還加了一個(gè)計(jì)時(shí)的代碼，計(jì)算總爬取時(shí)間，因?yàn)槲矣X得這樣干爬太慢了，沒有個(gè)將近10分鐘完不成，考慮利用多線程去爬，這里先記錄一下時(shí)間以觀后效。然后發(fā)現(xiàn)還是不行！現(xiàn)在成了只要imageurl固定（中文也行），就能夠順利輸出到xls中，否則就不行。很詭異。于是我又嘗試了縮短imageurl，實(shí)驗(yàn)得知，當(dāng)取imageurl[:-6]時(shí)是可以的，但imageurl[:-5]就不行了。后面又干脆不寫入imageurl這一列，可以，不寫入別名或者不寫入圖書鏈接都是正常的，但是不寫入標(biāo)號(hào)就不行。至今仍不得解。初步猜測(cè)莫非是寫入的字符數(shù)受限制了？還得靠更多的實(shí)驗(yàn)才能確定。而且也說(shuō)不定就是Windows下的編碼問題，這又得靠在Linux下進(jìn)行實(shí)驗(yàn)判斷。所以要做的事情還很多，這里先把正確的絕大部分工作做了再說(shuō)。

于是干脆不要圖書地址一列，最后得出如下最終代碼：

運(yùn)行（7分多鐘）：

還是斷了，那就真不知道怎么辦才好了。再改變方法，先寫到TXT文本文件再導(dǎo)入到xls中，就先不管本文標(biāo)題了。

運(yùn)行：

在.txt中是正確的：

然后在xls文件中選擇數(shù)據(jù)->導(dǎo)入數(shù)據(jù)即可得到最終結(jié)果：

封面圖片：