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生成指定长度的随机数密码
Jan 23 Python
Python自动扫雷实现方法
Jul 25 Python
Python内置函数 next的具体使用方法
Nov 24 Python
pygame游戏之旅 添加碰撞效果的方法
Nov 20 Python
对django2.0 关联表的必填on_delete参数的含义解析
Aug 09 Python
基于python的itchat库实现微信聊天机器人(推荐)
Oct 29 Python
Python实现搜索算法的实例代码
Jan 02 Python
解决python gdal投影坐标系转换的问题
Jan 17 Python
tensorflow实现残差网络方式(mnist数据集)
May 26 Python
在keras里实现自定义上采样层
Jun 28 Python
python字典key不能是可以是啥类型
Aug 04 Python
Python+OpenCV图像处理——实现直线检测
Oct 23 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 Memcache 中实现消息队列
2009/11/24 PHP
在Linux系统下一键重新安装WordPress的脚本示例
2015/06/30 PHP
PHP操作MySQL的mysql_fetch_* 函数的常见用法教程
2015/12/25 PHP
php封装的验证码工具类完整实例
2016/10/19 PHP
Yii2.0框架实现带分页的多条件搜索功能示例
2019/02/20 PHP
Alliance vs Liquid BO3 第三场2.13
2021/03/10 DOTA
jquery不会自动回收xmlHttpRequest对象 导致了内存溢出
2012/06/18 Javascript
js实现点击图片改变页面背景图的方法
2015/02/28 Javascript
jQuery 弹出层插件(推荐)
2016/05/24 Javascript
详解vue组件化开发-vuex状态管理库
2017/04/10 Javascript
javascript实现文件拖拽事件
2018/03/29 Javascript
浅谈监听单选框radio改变事件(和layui中单选按钮改变事件)
2019/09/10 Javascript
js判断非127开头的IP地址的实例代码
2020/01/05 Javascript
jQuery实现简单三级联动效果
2020/09/05 jQuery
[49:35]2018DOTA2亚洲邀请赛3月30日 小组赛A组 KG VS TNC
2018/03/31 DOTA
[56:14]Fnatic vs OG 2018国际邀请赛小组赛BO2 第二场 8.18
2018/08/19 DOTA
Python bsddb模块操作Berkeley DB数据库介绍
2015/04/08 Python
Python实现方便使用的级联进度信息实例
2015/05/05 Python
使用python读取txt文件的内容,并删除重复的行数方法
2018/04/18 Python
Python人脸识别第三方库face_recognition接口说明文档
2019/05/03 Python
python处理“
2019/06/10 Python
Python3+selenium实现cookie免密登录的示例代码
2020/03/18 Python
css3动画事件—webkitAnimationEnd与计时器time事件
2013/01/31 HTML / CSS
Html5新标签解释及用法
2012/02/17 HTML / CSS
英国皇室御用百货:福南梅森(Fortnum & Mason)
2017/12/03 全球购物
丝芙兰香港官网:Sephora香港
2018/03/13 全球购物
岗位职责范本
2013/11/23 职场文书
新学期家长寄语
2014/01/19 职场文书
国土资源局开展党的群众路线教育实践活动整改措施
2014/09/26 职场文书
优秀党员先进材料
2014/12/18 职场文书
小班下学期幼儿评语
2014/12/30 职场文书
呐喊读书笔记
2015/06/30 职场文书
二胎满月酒致辞
2015/07/29 职场文书
导游词之澳门妈祖庙
2019/12/19 职场文书
MySQL 全文检索的使用示例
2021/06/07 MySQL
HTML基础详解(上)
2021/10/16 HTML / CSS