Python爬虫实现isbn查询书籍详细信息

0. 开始的开始

一直想做一个图书漂流软件，最近入手（入坑）了微信小程序，添加图书时需要用到isbn查询书籍信息的API（不用也可以，但用户会非常麻烦，强迫症晚期的我又跳入了isbn查询API的坑），但发现别人的API都很贵，豆瓣也收回了API的使用权，估计是要收费了。
所以，与其在坑里苦苦挣扎，不如。。。。再挖一个更大的坑，自己做一个。。。

1. 开始

首先打算用python写个爬虫（能力与知识有限，现在只能想到这个办法，如前辈们有更好的办法，请砸过来）。
搜索了几个可以用isbn查书籍信息的网站，最后还是选择了豆瓣。
豆瓣isbn查书籍信息的流程为：

1. 打开豆瓣读书的首页
   
2. 在搜索框输入isbn码
   
3. 回车或点击小放大镜，书籍的信息出来了
   

本来想的很好，就这样一路闪电带火花把核心代码写了，然而，总有不尽人意的地方。就在第3步，本来打算在这里把信息给爬了，却发现爬回来是空的，也不知道什么原因（查html代码，发现有一级标签id为root，可能豆瓣设置了权限，猜的，具体原因不知道）。

2. 爬取内容

虽然人生不尽人意，但还是要走下去。在第3步的页面，点击书名或图片会出来更详细的信息。

果然，这里的信息可以爬取，要什么有什么。

2.1 获取书籍信息页面的链接地址

思路：
打开豆瓣读书首页，模拟浏览器填写isbn码，进行搜索，跳转到搜索结果页面，读取a标签href链接，即书籍信息页面的链接地址。
代码如下：

def isbn_search(isbn):
    """
        输入：isbn
        输出：豆瓣搜索结果的书籍链接
    """
    # 创建浏览器对象
    browser = webdriver.PhantomJS()
    # 请求网址
    browser.get("https://book.douban.com/subject_search?search_text=" + isbn + "&cat=1001")
    # 解析网页信息
    soup = BeautifulSoup(browser.page_source, "lxml")
    # 读取标签内容
    tags = soup.select("#root > div > div > div > div > div > div > a")
    # 正则查找href链接
    link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", str(tags[0]))
    # 关闭浏览器
    browser.close()
    return link_list[0]

2.2 爬取书籍详细信息

思路：
打开2.1获取的页面，找到书籍信息块代码，爬回并清洗，得到需要的信息。
代码如下：

def book_info(douban_link):
    """
        输入：豆瓣书籍链接
        输出：书籍信息
    """
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) \
        AppleWebKit/537.36 (KHTML, like Gecko) \
        Chrome/80.0.3987.149 Safari/537.36'}
    # 请求网址
    g=requests.get(douban_link,headers=headers)
    # 解析网页信息
    soup=BeautifulSoup(g.content,"lxml")
    # 由于书名和其他信息不在一起，单独处理书名
    title = "书名： 《" + re.sub('[\f\n\r\t\v]','',re.sub('<([^>]+?)>','',str((soup.select("#wrapper > h1 > span"))[0]))) + "》"
    # 存储书籍信息
    infos = [title]
    # 返回特定区域的html代码块
    span_list = soup.findChild('div',{'id':'info'})

    for item in str(span_list).split('<br/>'): # 将信息按项目分割,每个item是一个信息项
        # 用两次正则，一次去掉多余html代码，一次去掉制表换行等字符
        # .split(":")以：分割每个信息项目
        info_item = re.sub('[\f\n\r\t\v]','',re.sub('<([^>]+?)>','',item)).split(":")
        info_temp = [] # 存放以“/”分隔的item
        for info_item_item in info_item:
            sprit = info_item_item.partition("/") # 以“/”分隔info_item_item
            for sprit_item in sprit:
                info_temp += sprit_item.partition("]") # 以“/”分隔sprit_item, 并将处理后的列表合并

        # info_temp 存储单项信息的列表
        # 以单项信息为操作单位去除空格
        # temp_list 存储去空格处理后的单项信息
        temp_list = []
        for temp in info_temp:
            ddd=temp.strip() # 去掉字符左右的空格
            # 过滤掉因去掉空格而产生的空字符串
            if ddd != '':
                temp_list.append(ddd)
            else:
                continue
            # 在书籍属性后加“：”
            info = temp_list[0] + ': '
            for i in range(1, len(temp_list)):
                info += temp_list[i] # 拼接每个信息项目

        # 判断temp_list是否为空，为空则info为错误值，不存入infos
        if temp_list:
            pass
        else:
            continue 

        infos.append(info)

    return infos

3. 效果

这里使用PhantomJS浏览器，但会报UserWarning，Selenium最新版不支持PhantomJS了，我用的Selenium 3.141.0，UserWarning建议使用谷歌或火狐浏览器的无头模式，但我没成功，如有大佬成功了希望交流一下。

4. 完整代码下载

isbn查询书籍详细信息

仅供学习，勿作商用，如有违反，后果自负。
不知道豆瓣有一天会不会把这个方法给ban掉。