零基础爬虫----python爬取豆瓣电影top250的信息（转）

今天利用xpath写了一个小爬虫，比较适合一些爬虫新手来学习。话不多说，开始今天的正题，我会利用一个案例来介绍下xpath如何对网页进行解析的，以及如何对信息进行提取的。

python环境：python3.5

先看看网页的样子

豆瓣电影网站链接

我们下面将要对电影的名字、链接、评分、评价人数和一句话描述这些信息进行提取
1、检查并复制电影名字的xPath信息

电影《肖申克的救赎》的xPath信息如下：
//*[@id=”content”]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]
按照爬虫的代码套路来一波

from lxml import etree
import requests

def get_1_name():
    '''
    爬取豆瓣top250电影的第1个电影的名字
    :return:
    '''
    url = 'https://movie.douban.com/top250'  # #豆瓣top250网址
    data = requests.get(url).text  # #得到html内容
    s = etree.HTML(data)  # #etree.HTML用来解析html内容
    xpath_test = '//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]'+'/text()'  # #谷歌浏览器中选中文字，右键检查，复制xpath
    title = s.xpath(xpath_test)[0]  # #列表只有一个元素
    print(title)

　　

输出结果：

第六行代码最后加[0]，是因为不加的话，返回的则会是一个列表，不好看。
2、对同一页的不同电影名字进行提取
根据《肖申克的救赎》同方法对《霸王别姬》、《这个杀手不太冷》和《阿甘正传》的xPath信息比较：

比较可以发现电影名的xPath信息仅仅li后面的序号不一样，并且和电影名的序号一样，所以去掉序号以后，就可以得到通用的xPath信息

//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[1]/a/span[1]

接下来我们把这一页的电影名字个爬下来

from lxml import etree
import requests
url = 'https://movie.douban.com/top250'
data = requests.get(url).text
s = etree.HTML(data)
title = s.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[1]/a/span[1]/text()')
for movies in title:
print(movies)

输出结果

下面用类似的方法对电影评分进行提取

from lxml import etree
import requests
url = 'https://movie.douban.com/top250'
data = requests.get(url).text
s = etree.HTML(data)
score = s.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[2]/div/span[2]/text()')
for i in score:
print(i)

输出结果为

接下来要做的是输出电影及对应的评分

from lxml import etree
import requests
url = 'https://movie.douban.com/top250'
data = requests.get(url).text
s = etree.HTML(data)
file = s.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[1]/a/span[1]/text()')
score = s.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[2]/div/span[2]/text()')
for i in range(25):
　　print("{} {}".format(file[i],score[i]))

输出结果为：

这里我们默认电影名字以及评分都是完整的、正确的信息，这种默认一般情况下是没问题的。但其实是有缺陷的。如果我们少爬了或者多爬了信息，就会发生匹配的错误，那么该怎么避免这种错误呢？
仔细思考下，发现我们若是以电影名字为单位，分别获取对应的信息，那么匹配肯定完全正确。
电影名字的标签肯定在这部电影的框架内，于是我们从电影名字的标签往上找，发现覆盖整部电影的标签，把xPath信息复制下来

//*[@id="content"]/div/div[1]/ol/li[1]

然后我们将整部电影和其他信息的xPath信息进行比较

//*[@id="content"]/div/div[1]/ol/li[1]
//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]
//*[@id="content"]/div/div[1]/ol/li[2]/div/div[2]/div[2]/div/span[2]

不难发现电影名和评分的前半部分与整部电影的前半部分是一样的。那我们就可以这样写xPath的方式来定位信息：

file = s.xpath('//*[@id="content"]/div/div[1]/ol/li[1]')
movies_name = div.xpath('./div/div[2]/div[1]/a/span[1]/text()')
movies_score = div.xpath('./div/div[2]/div[2]/div/span[2]/text()')

在实际的代码中体验一下

from lxml import etree
import requests
url = 'https://movie.douban.com/top250'
data = requests.get(url).text
s = etree.HTML(data)
file = s.xpath('//*[@id="content"]/div/div[1]/ol/li[1]')
for div in file:
movies_name = div.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0]
movies_score = div.xpath('./div/div[2]/div[2]/div/span[2]/text()')[0]
print("{} {}".format(movies_name,movies_score))

输出结果为

上面我们爬取了一部电影的信息，那么怎么爬取这一页的呢？很简单把li后面的[1]去掉就可以了。来看看新的代码

from lxml import etree
import requests
url = 'https://movie.douban.com/top250'
data = requests.get(url).text
s = etree.HTML(data)
file = s.xpath('//*[@id="content"]/div/div[1]/ol/li')
for div in file:
movies_name = div.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0]
movies_score = div.xpath('./div/div[2]/div[2]/div/span[2]/text()')[0]
print("{} {}".format(movies_name,movies_score))

结果为：

其他信息的提取与之类似，就不在细讲了，代码跑一遍

from lxml import etree
import requests
url = 'https://movie.douban.com/top250'
data = requests.get(url).text
s = etree.HTML(data)
file = s.xpath('//*[@id="content"]/div/div[1]/ol/li')
for div in file:
movies_name = div.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0]
movies_score = div.xpath('./div/div[2]/div[2]/div/span[2]/text()')[0]
movies_href = div.xpath('./div/div[2]/div[1]/a/@href')[0]
movies_number = div.xpath('./div/div[2]/div[2]/div/span[4]/text()')[0].strip("(").strip( ).strip(")")
movie_scrible = div.xpath('./div/div[2]/div[2]/p[2]/span/text()')
print("{} {} {} {} {}".format(movies_name,movies_href,movies_score,movies_number,movie_scrible[0]))

　　

结果为：

这样我们就对第一页的信息进行了提取，那么我么怎么把所有的页都提取呢？比较一下不同页的URL

第一页：https://movie.douban.com/top250?start=0
第二页：https://movie.douban.com/top250?start=25
第三页：https://movie.douban.com/top250?start=50
第四页：https://movie.douban.com/top250?start=75
......

URL的变化规律很简单，只是start=（）的数字不一样，以25为单位递增，所以写个循环就可以了，下面把整个代码跑一下，所有25页的信息全部提取下来。

from lxml import etree
import requests
import time
for a in range(10):
url = 'https://movie.douban.com/top250?start={}'.format(a*25)
data = requests.get(url).text
# print(data)
s = etree.HTML(data)
file = s.xpath('//*[@id="content"]/div/div[1]/ol/li')
for div in file:
movies_name = div.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0]
movies_score = div.xpath('./div/div[2]/div[2]/div/span[2]/text()')[0]
movies_href = div.xpath('./div/div[2]/div[1]/a/@href')[0]
movies_number = div.xpath('./div/div[2]/div[2]/div/span[4]/text()')[0].strip("(").strip( ).strip(")")
movie_scrible = div.xpath('./div/div[2]/div[2]/p[2]/span/text()')
# time.sleep(1)
if len(movie_scrible)>0:
print("{} {} {} {} {}".format(movies_name,movies_href,movies_score,movies_number,movie_scrible[0]))
else:
print("{} {} {} {}".format(movies_name,movies_href,movies_score,movies_number))

　　

结果为

这只是一部分截图，整体的包含了250部电影。
注：这里加了个if语句，是因为发现有的电影没有一句话描述。Ok了，这个爬虫很简单，也是我刚开始学习xPath，适合新手学习
---------------------
作者：云南省高校数据化运营管理工程研究中心
来源：CSDN
原文：https://blog.csdn.net/m0_37788308/article/details/80378042
版权声明：本文为博主原创文章，转载请附上博文链接！