Python爬虫实践 -- 记录我的第二只爬虫

1、爬虫基本原理

我们爬取中国电影最受欢迎的影片《红海行动》的相关信息。其实，爬虫获取网页信息和人工获取信息，原理基本是一致的。

人工操作步骤：
1. 获取电影信息的页面
2. 定位（找到）到评分信息的位置
3. 复制、保存我们想要的评分数据

爬虫操作步骤：
1. 请求并下载电影页面信息
2. 解析并定位评分信息
3. 保存评分数据

综合言之，原理图如下：

2、爬虫的基本流程

简单来说，我们向服务器发送请求后，会得到返回的页面；通过解析页面之后，我们可以抽取我们想要的那部分信息，并存储在指定的文档或数据库中。这样，我们想要的信息就被我们“爬”下来啦~

3、安装python依赖包 Requests+Xpath

Python 中爬虫相关的包很多：Urllib、requsts、bs4……我们从简单 requests+xpath 上手！更高级的 BeautifulSoup 还是有点难的。

然后我们安装 requests+xpath 的应用包以爬取豆瓣电影：

在Windows 终端分别输入以下两行代码：

pip install requests
pip install lxml

4、代码整理--获取豆瓣电影目标网页并解析

我们要爬取豆瓣电影《红海行动》相关信息，目标地址是：https://movie.douban.com/subject/26861685/

给定 url 并用 requests.get() 方法来获取页面的text，用 etree.HTML() 来解析下载的页面数据“data”。

 url = 'https://movie.douban.com/subject/26861685/'
 data = requests.get(url).text
 s=etree.HTML(data)

5、获取电影名称

获取元素的Xpath信息并获得文本：

file=s.xpath('元素的Xpath信息/text()')

这里的“元素的Xpath信息”是需要我们手动获取的，获取方式为：定位目标元素，在网站上依次点击：右键 > 检查

快捷键“shift+ctrl+c”，移动鼠标到对应的元素时即可看到对应网页代码：

在电影标题对应的代码上依次点击 右键 > Copy > Copy XPath，获取电影名称的Xpath：

这样我们就把元素中的Xpath信息复制下来了：

//*[@id="content"]/h1/span[1]

放到代码中并打印信息：

film=s.xpath('//*[@id="content"]/h1/span[1]/text()')
print(film)

6、代码以及运行结果

以上完整代码如下：

import requests from lxml
import etree url = 'https://movie.douban.com/subject/26861685/'
data = requests.get(url).text
s=etree.HTML(data)
film=s.xpath('//*[@id="content"]/h1/span[1]/text()') print (film)

在 Pycharm 中运行完整代码及结果如下：

至此，我们完成了爬取豆瓣电影《红海行动》中“电影名称”信息的代码编写，可以在 Pycharm 中运行。

7、获取其它元素信息

除了电影的名字，我们还可以获取导演、主演、电影片长等信息，获取的方式是类似的。代码如下：

director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')             #导演
actor1=s.xpath('//*[@id="info"]/span[3]/span[2]/span[1]/a/text()')  #主演1
actor2=s.xpath('//*[@id="info"]/span[3]/span[2]/span[2]/a/text()')  #主演2
actor3=s.xpath('//*[@id="info"]/span[3]/span[2]/span[3]/a/text()')  #主演3
time=s.xpath(‘//*[@id="info"]/span[12]/text()')                       #电影片长

观察上面的代码，发现获取不同“主演”信息时，区别只在于“span[x]”中“x”的数字大小不同。实际上，要一次性获取所有“主演”的信息时，用不加数字的“a”表示即可。代码如下：

actor=s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')  #主演

完整代码如下：

import requests
from lxml import etree

url = 'https://movie.douban.com/subject/26861685/'
data = requests.get(url).text
s=etree.HTML(data)

film=s.xpath('//*[@id="content"]/h1/span[1]/text()')               #导演
director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')    #导演
actor=s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')        #主演
time=s.xpath('//*[@id="info"]/span[12]/text()')                        #电影片长

print('电影名称：',film)
print('导演：',director)
print('主演：',actor)
print('片长：',time)

在 Pycharm 中运行完整代码结果如下：

8、关于解析神器 Xpath

Xpath 即为 XML 路径语言（XML Path Language），它是一种用来确定 XML 文档中某部分位置的语言。

Xpath 基于 XML 的树状结构，提供在数据结构树中找寻节点的能力。起初 Xpath 的提出的初衷是将其作为一个通用的、介于 Xpointer 与 XSL 间的语法模型。但是Xpath 很快的被开发者采用来当作小型查询语言。

Xpath解析网页的流程：

1. 首先通过Requests库获取网页数据
2. 通过网页解析，得到想要的数据或者新的链接
3. 网页解析可以通过 Xpath 或者其它解析工具进行，Xpath 在是一个非常好用的网页解析工具

常见的网页解析方法比较

正则表达式使用比较困难，学习成本较高
BeautifulSoup 性能较慢，相对于 Xpath 较难，在某些特定场景下有用
Xpath 使用简单，速度快（Xpath是lxml里面的一种），是入门最好的选择