1. 项目背景与核心需求
图书数据抓取是爬虫领域的经典应用场景，但真正实现"优雅"的抓取需要解决三个核心问题：反爬对抗、数据清洗和结构化存储。我在帮某高校图书馆构建推荐系统时，曾用Python完整实现了从数据采集到结构化的全流程，这套方法后来被多家出版机构采用。
图书数据不同于普通网页内容，它具有三个显著特征：
- 信息分散：书名、作者、ISBN等关键数据往往分布在详情页多个DOM节点
- 格式混乱：不同平台对价格、出版日期的展示方式差异极大
- 反爬严格：电商平台对图书类目通常设置高频验证
2. 技术方案设计
2.1 整体架构
采用分层处理模式：
爬虫层 → 数据清洗层 → 结构化存储层 ↑ ↑ ↑ 反爬对抗 正则处理 MongoDB/MySQL2.2 工具选型
经过对比测试，最终技术栈组合为：
- 请求库：aiohttp + requests备用
- 解析库：parsel（比BeautifulSoup快40%）
- 存储：MongoDB（应对字段变更）
- 反爬：selenium备用方案
关键提示：图书ISBN是天然的唯一键，务必作为_id字段存储
3. 核心实现细节
3.1 智能请求控制
class BookSpider: def __init__(self): self.delay = random.uniform(1.5, 3) # 动态延迟 self.proxy_pool = [] # 代理IP池 async def fetch(self, url): await asyncio.sleep(self.delay) headers = self._gen_headers() try: async with aiohttp.ClientSession() as session: async with session.get(url, proxy=random.choice(self.proxy_pool)) as resp: return await resp.text() except: self._fallback_to_selenium(url)3.2 多模式解析策略
针对不同网站采用差异化解析方案：
| 网站类型 | 解析方案 | 示例 |
|---|---|---|
| 电商平台 | CSS选择器+正则组合 | div.price::text |
| 出版社官网 | XPath+文本特征提取 | //span[contains(.,'ISBN')] |
| 图书社区 | 混合解析+OCR备用 | 识别图片中的ISBN码 |
3.3 结构化处理流水线
def process_item(raw_data): # 价格统一处理 price = re.search(r'(\d+\.\d{2})', raw_data['price']).group(1) # 作者信息拆分 authors = [a.strip() for a in raw_data['author'].split('/')] # 出版日期标准化 pub_date = pd.to_datetime(raw_data['date']).strftime('%Y-%m') return { '_id': raw_data['isbn'], 'price': float(price), 'authors': authors, 'pub_date': pub_date, 'source': '某平台' }4. 反爬对抗实战
4.1 常见反爬手段
图书类网站特有的反爬策略：
- 价格动态混淆（DOM节点随机ID）
- 详情页访问频率限制
- ISBN图片化处理
4.2 破解方案
- 动态渲染对抗：
from selenium.webdriver.support.ui import WebDriverWait def get_dynamic_price(url): driver.get(url) WebDriverWait(driver, 10).until( lambda x: x.find_element(By.CSS_SELECTOR, '[class*="price"]')) return driver.page_source- 请求指纹伪装：
headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36', 'Accept-Language': 'zh-CN,zh;q=0.9', 'Referer': 'https://book.douban.com/', 'X-Requested-With': 'XMLHttpRequest' }5. 数据质量保障
5.1 验证规则设计
validation_rules = { 'isbn': r'^[0-9X]{10,13}$', 'price': lambda x: 0 < x < 1000, 'pub_date': lambda x: pd.to_datetime(x) < pd.to_datetime('today') }5.2 异常处理机制
建立三级异常处理：
- 重试机制（瞬时错误）
- 备用解析方案（结构变更）
- 人工审核队列（无法自动处理）
6. 性能优化技巧
- 连接池配置：
conn = aiohttp.TCPConnector( limit=30, # 最大连接数 force_close=True, enable_cleanup_closed=True )- 缓存利用：
from diskcache import Cache cache = Cache('book_cache') @cache.memoize(expire=86400) def get_book_info(isbn): # 查询逻辑- 分布式扩展： 使用Scrapy-Redis实现分布式爬取时，需特别注意ISBN去重：
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"7. 实战经验总结
- ISBN处理黄金法则：
- 优先从URL中提取（最可靠）
- 次选详情页显式标注
- 最后考虑OCR识别
- 价格字段的坑：
- 注意货币符号（￥/$/€）
- 警惕划线价干扰（原价：~~99~~ 现价：59）
- 处理满减优惠（需计算实际价格）
- 作者字段的特殊情况：
- 外文名中的分隔符（·/-）
- 译者/编者混排情况
- 机构作者处理（如"XX编写组"）
这套方案在百万级图书数据抓取中验证，完整代码已封装成PyPI包。实际使用时建议配合代理IP服务，对于特别严格的网站（如某当网），需要动态调整爬取策略。
