爬虫系列(十) 用requests和xpath爬取豆瓣电影

时间 2019-11-18

标签爬虫系列 requests xpath 豆瓣栏目网络爬虫繁體版

原文原文链接

这篇文章咱们将使用 requests 和 xpath 爬取豆瓣电影 Top250，下面先贴上最终的效果图：html

一、网页分析

（1）分析 URL 规律

咱们首先使用 Chrome 浏览器打开豆瓣电影 Top250，很容易能够判断出网站是一个静态网页python

而后咱们分析网站的 URL 规律，以便于经过构造 URL 获取网站中全部网页的内容json

首页：https://movie.douban.com/top250浏览器

第二页：https://movie.douban.com/top250?start=25&filter=网络

第三页：https://movie.douban.com/top250?start=50&filter=dom

...工具

不难发现，URL 能够泛化为 https://movie.douban.com/top250?start={page}&filter=，其中，page 表明页数网站

最后咱们还须要验证一下首页的 URL 是否也知足规律，通过验证，很容易能够发现首页的 URL 也知足上面的规律编码

核心代码以下：url

import requests
# 获取网页源代码
def get_page(url):
    # 构造请求头部
    headers = {
        'USER-AGENT':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
    }
    # 发送请求，得到响应
    response = requests.get(url=url,headers=headers)
    # 得到网页源代码
    html = response.text
    # 返回网页源代码
    return html

（2）分析内容规律

接下来咱们开始分析每个网页的内容，并从中提取出须要的数据

使用快捷键 Ctrl+Shift+I 打开开发者工具，选中 Elements 选项栏分析网页的源代码

须要提取的数据包括（能够使用 xpath 进行匹配）：

详细连接：html.xpath('//div[@class="hd"]/a/@href')
电影名称：html.xpath('//div[@class="hd"]/a/span[1]/text()')
导演/主演、上映年份/国家/分类：html.xpath('//div[@class="bd"]/p[1]//text()')
豆瓣评分：html.xpath('//div[@class="bd"]/div/span[2]/text()')
评价人数：html.xpath('//div[@class="bd"]/div/span[4]/text()')

核心代码以下：

from lxml import etree
# 解析网页源代码
def parse_page(html):
    # 构造 _Element 对象
    html_elem = etree.HTML(html)
    # 详细连接
    links = html_elem.xpath('//div[@class="hd"]/a/@href')
    # 电影名称
    titles = html_elem.xpath('//div[@class="hd"]/a/span[1]/text()')
    # 电影信息（导演/主演、上映年份/国家/分类）
    infos = html_elem.xpath('//div[@class="bd"]/p[1]//text()')
    roles = [j for i,j in enumerate(infos) if i % 2 == 0]
    descritions = [j for i,j in enumerate(infos) if i % 2 != 0]
    # 豆瓣评分
    stars = html_elem.xpath('//div[@class="bd"]/div/span[2]/text()')
    # 评论人数
    comments = html_elem.xpath('//div[@class="bd"]/div/span[4]/text()')
    # 得到结果
    data = zip(links,titles,roles,descritions,stars,comments)
    # 返回结果
    return data

（3）保存数据

下面将数据分别保存为 txt 文件、json 文件和 csv 文件

import json
import csv
# 打开文件
def openfile(fm):
    fd = None
    if fm == 'txt':
        fd = open('douban.txt','w',encoding='utf-8')
    elif fm == 'json':
        fd = open('douban.json','w',encoding='utf-8')
    elif fm == 'csv':
        fd = open('douban.csv','w',encoding='utf-8',newline='')
    return fd

# 将数据保存到文件
def save2file(fm,fd,data):
    if fm == 'txt':
        for item in data:
            fd.write('----------------------------------------\n')
            fd.write('link：' + str(item[0]) + '\n')
            fd.write('title：' + str(item[1]) + '\n')
            fd.write('role：' + str(item[2]) + '\n')
            fd.write('descrition：' + str(item[3]) + '\n')
            fd.write('star：' + str(item[4]) + '\n')
            fd.write('comment：' + str(item[5]) + '\n')
    if fm == 'json':
        temp = ('link','title','role','descrition','star','comment')
        for item in data:
            json.dump(dict(zip(temp,item)),fd,ensure_ascii=False)
    if fm == 'csv':
        writer = csv.writer(fd)
        for item in data:
            writer.writerow(item)

二、编码实现

下面是完整代码，也是几十行能够写完

import requests
from lxml import etree
import json
import csv
import time
import random

# 获取网页源代码
def get_page(url):
    headers = {
        'USER-AGENT':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
    }
    response = requests.get(url=url,headers=headers)
    html = response.text
    return html

# 解析网页源代码
def parse_page(html):
    html_elem = etree.HTML(html)
    links = html_elem.xpath('//div[@class="hd"]/a/@href')
    titles = html_elem.xpath('//div[@class="hd"]/a/span[1]/text()')
    infos = html_elem.xpath('//div[@class="bd"]/p[1]//text()')
    roles = [j.strip() for i,j in enumerate(infos) if i % 2 == 0]
    descritions = [j.strip() for i,j in enumerate(infos) if i % 2 != 0]
    stars = html_elem.xpath('//div[@class="bd"]/div/span[2]/text()')
    comments = html_elem.xpath('//div[@class="bd"]/div/span[4]/text()')
    data = zip(links,titles,roles,descritions,stars,comments)
    return data

# 打开文件
def openfile(fm):
    fd = None
    if fm == 'txt':
        fd = open('douban.txt','w',encoding='utf-8')
    elif fm == 'json':
        fd = open('douban.json','w',encoding='utf-8')
    elif fm == 'csv':
        fd = open('douban.csv','w',encoding='utf-8',newline='')
    return fd

# 将数据保存到文件
def save2file(fm,fd,data):
    if fm == 'txt':
        for item in data:
            fd.write('----------------------------------------\n')
            fd.write('link：' + str(item[0]) + '\n')
            fd.write('title：' + str(item[1]) + '\n')
            fd.write('role：' + str(item[2]) + '\n')
            fd.write('descrition：' + str(item[3]) + '\n')
            fd.write('star：' + str(item[4]) + '\n')
            fd.write('comment：' + str(item[5]) + '\n')
    if fm == 'json':
        temp = ('link','title','role','descrition','star','comment')
        for item in data:
            json.dump(dict(zip(temp,item)),fd,ensure_ascii=False)
    if fm == 'csv':
        writer = csv.writer(fd)
        for item in data:
            writer.writerow(item)

# 开始爬取网页
def crawl():
    url = 'https://movie.douban.com/top250?start={page}&filter='
    fm = input('请输入文件保存格式（txt、json、csv）：')
    while fm!='txt' and fm!='json' and fm!='csv':
        fm = input('输入错误，请从新输入文件保存格式（txt、json、csv）：')
    fd = openfile(fm)
    print('开始爬取')
    for page in range(0,250,25):
        print('正在爬取第 ' + str(page+1) + ' 页至第 ' + str(page+25) + ' 页......')
        html = get_page(url.format(page=str(page)))
        data = parse_page(html)
        save2file(fm,fd,data)
        time.sleep(random.random())
    fd.close()
    print('结束爬取')

if __name__ == '__main__':
    crawl()

【爬虫系列相关文章】