案例 31｜图书信息采集

一、案例背景与采集目标

要给一门课配书单、要比较几个出版社同一主题的书、要统计某一年出版的经管类图书有多少——这些事都从一张图书清单开始。图书信息的字段丰富、结构规整，是练「列表页＋详情页」两级采集的绝佳素材。

这一篇的示范站点是豆瓣读书的图书标签页，以「计算机」类目为例 https://book.douban.com/tag/计算机 ，标签页可以直接浏览某一类目下的书目，详情页则把书名、作者、译者、出版社、出版年、页数、定价、ISBN、评分、简介一次给全。图书数据有两个鲜明特点：一是字段多，十来个字段是常态；二是详情页结构稳定，同一家图书平台的详情页版式高度一致，特别适合批量采集。

1.1 这个案例要拿到什么

• 从豆瓣读书的标签页或分类列表页取回书名与详情页链接；
• 逐条进入详情页，取回作者、译者、出版社、出版年；
• 取回页数、定价、装帧、ISBN、评分、评价人数；
• 取回内容简介（截断处理）；
• 最后按出版社或出版年做一个小统计。

1.2 这个案例的难点在哪里

目标站点与交付产物

下表是本篇用到的真实站点。绿色是课堂可稳定复现的示范站点；橙色是延伸站点，多数有登录墙或风控，课堂上只讲结构、原理与合规边界，不教绕过。

二、数据源与字段设计

示范站点是豆瓣读书的图书标签页，以「计算机」类目为例：https://book.douban.com/tag/计算机 。标签页按类目给出列表，书名、作者、出版社、定价、评分在列表上就能取到；译者、页数、ISBN、简介要进详情页。延伸站点给出几个图书平台，其中 ISBN 是跨平台合并的天然主键。

2.1 目标站点信息

2.2 完整字段表（15 个字段）

2.3 三条字段口径要点

1. 定价只留数字。把「￥」「元」「定价：」这些前缀后缀全部去掉，统一保留两位小数。这样后面才能算「平均定价」「各出版社均价」，否则一列文字根本没法统计。
2. 译者单独一列。不要图省事把译者接到作者后面。字段一旦混装，后面统计「译者数量」「某译者的译作」就做不了。留空是可以的，混装是不行的。
3. ISBN 是跨平台合并的主键。同一本书在豆瓣、当当、图书馆 OPAC 里可能书名写法不一，但 ISBN 一致。要做跨源价格对比或去重，按 ISBN 对齐最稳。

三、零代码操作步骤

1. 先在豆瓣读书上选好类目，打开「计算机」标签页 https://book.douban.com/tag/计算机，把列表页地址复制下来。
2. 新建对话，给出列表页地址与分类。例如「按「计算机」标签的图书列表，采前 20 本」。
3. 先采列表级字段。让它先把列表页上的书名、作者、出版社、定价取回，验证链接对不对。
4. 再进详情页。说「请逐条进入详情页，补采译者、出版年、页数、装帧、ISBN、评分、评价人数、简介」。
5. 小批核对。只做前 5 本，重点看定价是不是纯数字、简介有没有带标签、译者位置对不对。
6. 放开全量。确认后说「按同样口径采集全部 20 本，间隔 1 秒」。
7. 做统计。让它按出版社、出版年分组计数，各出一张小表。
8. 导出并归档。导出为 books_计算机_20261008.xlsx，完整简介另存文本。

四、提示词模板与追问技巧

下面这段提示词把真实站点地址与 15 个字段按编号列全，可以直接复制使用。

请帮我完成一个图书信息采集任务。

【目标站点】豆瓣读书，网址 https://book.douban.com/
【目标】「计算机」标签下的图书列表页
【范围】列表前 20 本书
【采集方式】先采列表页，再逐本进入详情页补字段
【需要字段】按这个顺序：
  1. 序号（从 1 开始）
  2. 书名（完整）
  3. 副标题（没有就留空）
  4. 作者（多位用分号分隔）
  5. 译者（没有就留空，不要并入作者）
  6. 出版社
  7. 出版年（四位数字）
  8. 页数（纯数字）
  9. 定价（去掉￥和「元」，只留数字，保留两位小数）
  10. 装帧（精装 / 平装）
  11. ISBN（13 位数字）
  12. 评分（保留一位小数，没有就留空）
  13. 评价人数（纯数字，没有就留空）
  14. 简介（只取前 100 字）
  15. 详情页链接（完整网址）

【执行要求】
  1. 先只采前 5 本给我核对，确认后再采全部 20 本
  2. 简介去掉 HTML 标签和多余换行
  3. 每条之间间隔 1 秒以上
  4. 结果导出为 books_计算机_20261008.xlsx
  5. 完整简介另存 books_简介_20261008.txt，按序号对应

4.1 三条常用追问指令

追问一（清洗定价）：
「定价」列里还有「元」「￥」这些符号，请全部去掉，
只保留数字并统一保留两位小数。

追问二（去标签）：
「简介」里混进了 HTML 标签和多余空行，
请去掉标签、合并连续空白，每条只保留前 100 字。

追问三（补评分）：
第 6、9 本的评分是空的，请回到详情页确认；
如果确实还没有评分，请留空，不要填 0。

清单建好之后，最有价值的一步是做统计。让 WorkBuddy 按出版社和出版年各来一张小表，你立刻就能看出这个分类里哪个出版社出得最多、哪一年是出版高峰。

请基于清洗后的清单再给我三张小表：
  1. 按「出版社」分组统计图书数量，降序排列；
  2. 按「出版年」分组统计图书数量；
  3. 计算平均定价（注意只用有定价的条目）。

五、结果核对、清洗与保存

下面是 WorkBuddy 从豆瓣读书返回的结果样例（节选。书目与 ISBN 取真实条目形态作示例，页数、定价与评分仅供参考，实际以详情页为准）：

5.1 四步清洗，一句话一条

① 定价转数字：
   请把「定价」列里的「￥」「元」「定价：」全部去掉，
   只保留数字，统一保留两位小数。

② 简介去标签：
   请把「简介」列里残留的 HTML 标签、转义字符、连续空行去掉，
   每条只保留前 100 字，末尾加「…」。

③ 缺失留空：
   请把「译者」「评分」「评价人数」里的空值保持为空，
   不要填 0，也不要填「暂无」。

④ 补充字段：
   请把「ISBN」列规范成 13 位纯数字，并新增一列「版本」，
   如果页面上写了「第 3 版」就填进去，没有就留空。

5.2 按出版社或年份做统计

这一步是图书清单区别于普通清单的地方——它天然适合做归类和比较。下面三条指令按需取用。

请给我这三张统计表：
  1. 按「出版社」分组，统计图书数量，降序排列；
  2. 按「出版年」分组，统计图书数量，看出版高峰在哪一年；
  3. 计算「有定价的条目」的平均定价，并说明参与计算的是多少本。

5.3 保存与归档

books_计算机_20261008.xlsx      ← 清单主表（简介截断版）
books_简介_20261008.txt          ← 完整简介，按序号对应
books_统计_20261008.xlsx         ← 出版社 / 出版年 / 均价三张小表
books_20261008_log.txt           ← 采集日志：分类、页数、条数、失败项

六、常见问题与合规红线

6.1 五个高频问题

6.2 三条合规红线

1. 只采公开的图书信息。书名、作者、出版社、定价、评分、简介都是平台公开展示的信息，可以用于选书比价；不要去破解会员内容或付费电子书。
2. 简介有分寸。简介是出版社发布的宣传信息，用于判断相关性可以；整段搬运到自己的公众号或作业集对外传播就越界了，本案例只取前 100 字。
3. 控制频率。豆瓣等图书平台通常对高频访问敏感，请求之间留足间隔，一旦被限速就停下来，不要反复冲击。

七、随堂自测（10 题）

点击选项即可判分，答错的题会立刻显示解析。