Python爬虫小白入门（七）爬取豆瓣音乐top250

 

抓取目标：

豆瓣音乐top250的歌名、作者（专辑）、评分和歌曲链接

使用工具：

requests + lxml + xpath。

我认为这种工具组合是最适合初学者的，requests比python自带的urllib库好用，功能更强大。关于requests的使用方法，建议看它的官方文档：

http://docs.python-requests.org/zh_CN/latest/user/quickstart.html

使用lxml来解析网页，速度是最快的，至少比BeatifulSoup快。关于lxml的使用方法，建议看这个：

http://lxml.de/

而xpath更是傻白甜的使用方式：直接在浏览器中复制即可，如果想要掌握xpath更具体的语法，建议看w3school的xpath教程：

http://www.w3school.com.cn/xpath/

首先目标url是： https://music.douban.com/top250?start=0

 

image.png

点击下一页，我们多观察几个页面的url：

 

image.png

 

image.png

我们会发现url的start=是以25的倍数增长的，起始为start=0，然后是start=25，每页25首音乐，一共十页。

所以，我们可以使用一个for循环来得出这十个页面的url：

for i in range(10):
    # 一共有10个页面，每个页面25首音乐
    url = "https://music.douban.com/top250?start={}".format(i * 25)

关于format()函数的使用方法，可以看菜鸟教程上的讲解：

http://www.runoob.com/python/att-string-format.html

关于range()函数的使用方法，可以看菜鸟教程上的讲解：

http://www.runoob.com/python/python-func-range.html

然后我们使用requests.get()来进行网页请求：

import requests
headers = {"User_Agent": "Mozilla/5.0(compatible; MSIE 5.5; Windows 8)"}
data = requests.get(url, headers=headers).text

使用lxml来解析网页：

from lxml import etree
s = etree.HTML(data)

接下来我们开始提取数据，打开目标页面，将每首音乐的完整信息的xpath信息复制下来：

 

image.png

重复这样的操作，多复制几首音乐的xpath信息，观察它的规律：

//*[@id="content"]/div/div[1]/div/table[1]
//*[@id="content"]/div/div[1]/div/table[2]
//*[@id="content"]/div/div[1]/div/table[3]

这样子规律就很明显了，每首音乐就是table后的序号不同。只要我们将序号去掉，就可以提取所有音乐的全部信息了：

# 歌曲整体的xpath
musics = s.xpath('//*[@id="content"]/div/div[1]/div/table')

我们再使用同样的方法来获取歌名的xpath信息：

 

image.png

多复制几个歌名信息的xpath来对比一下：

# 歌名的xpath
# //*[@id="content"]/div/div[1]/div/table[1]/tbody/tr/td[2]/div/a
# //*[@id="content"]/div/div[1]/div/table[2]/tbody/tr/td[2]/div/a

这是注意一下， 上面的xpath路径中，/tbody是多余的，我们要将其删掉，不然会出错，所以，有时候直接在浏览器复制xpath信息也不一定靠谱，这里要注意一下。

这样我们就可以提取出每首歌的歌名：

for music in musics:
    music_name = music.xpath('./tr/td[2]/div/a/text()')[0].strip()

如果不加[0]，我们得到的结果将是一个list类型，每个结果都被中括号[]裹起来，比较碍眼，所以使用[0]取出list的第一个值就可以了。strip()函数可以去除多余的空格。

还有，音乐的链接和名字的xpath路径是相同的，只是一个取href值，一个取text值。
所以每首歌的链接如下：

for music in musics:
    music_name = music.xpath('./tr/td[2]/div/a/@href')[0]

我们再使用同样的方法复制作者（专辑）的xpath信息：

 

image.png

多复制几个作者的xpath信息来对比一下：

# //*[@id="content"]/div/div[1]/div/table[1]/tbody/tr/td[2]/div/p[1]
# //*[@id="content"]/div/div[1]/div/table[2]/tbody/tr/td[2]/div/p[1]

同样要将/tbody从xpath路径中删掉，这样我们可以提取到每首歌的作者信息：

for music in musics:
    music_author = music.xpath('./tr/td[2]/div/p[1]/text()')[0].strip()

我们还使用同样的方法复制评分的xpath信息：

 

image.png

多复制几个评分的xpath信息来对比一下：

# //*[@id="content"]/div/div[1]/div/table[1]/tbody/tr/td[2]/div/div/span[2]
# //*[@id="content"]/div/div[1]/div/table[2]/tbody/tr/td[2]/div/div/span[2]

同理，我们就可以提取出每首歌的评分了：

for music in musics:
    music_score = music.xpath('./tr/td[2]/div/div/span[2]/text()')[0]

到现在，我们已经获取了我们想要的所有信息。现在来整合一下代码，存储为TXT文件：

import requests
from lxml import etree
import time

with open("豆瓣音乐top250.txt", "w", encoding="utf-8") as f:
    for i in range(10):
        # 一共有10个页面，每个页面25首音乐
        url = "https://music.douban.com/top250?start={}".format(i * 25)
        headers = {"User_Agent": "Mozilla/5.0(compatible; MSIE 5.5; Windows 8)"}
        data = requests.get(url, headers=headers).text
        s = etree.HTML(data)                       

        # 歌曲整体的xpath
        musics = s.xpath('//*[@id="content"]/div/div[1]/div/table')
        time.sleep(2)                  

        for music in musics:
            music_name = music.xpath('./tr/td[2]/div/a/text()')[0].strip()  # 歌名
            music_author = music.xpath('./tr/td[2]/div/p[1]/text()')[0].strip()  # 作者
            music_score = music.xpath('./tr/td[2]/div/div/span[2]/text()')[0]  # 评分
            music_href = music.xpath('./tr/td[2]/div/a/@href')[0]  # 链接

            f.write("{} {} {} {}\n".format(music_name, music_author, music_score, music_href))

如上，一共23行代码。

爬取结果如下：

 

image.png

本来我想存为CSV文件的，结果发现有的歌曲有多个歌手，而且几个歌手之间是用逗号(，)分开的，这就和CSV中的逗号产生了混淆，导致结果比较错乱。

好吧，我暂时不知道存为CSV格式时，怎样消除其本身携带的逗号产生的影响。

当然，同样的爬取思路，我们还可以爬取豆瓣电影top250、豆瓣图书top250。只需要将url和xpath路径修改一下就可以了。

每天学习一点点，每天进步一点点。