CSV文件在网络爬虫中的应用

在上一个文章中详细的介绍了CSV文件内容的读取和写入,那么在本次文章中结合网络爬虫的技术,把数据获取到写入到CSV的文件中,其实利用爬虫的技术可以获取到很多的数据,某些时候仅仅是好玩,真正进行数据分析并且让数据可以商业化产生价值体系,是一个很高的境界。

这里以豆瓣电影为案例,获取豆瓣电影中正在上映的电影,并且把这些数据写入到CSV的文件中,主要是电影名称, 电影海报的链接地址和电影评分。这里使用到的库是lxml,lxml是一款高性能的Python HTML/XML解析器,安装命令为:

pip3 install lxml

使用它的时候主要会使用到xpath的语法(当然这里不会详细的介绍xpath)。首先见要获取的数据,如下图所示:

链接地址是:https://movie.douban.com/cinema/nowplaying/xian/,那么首先我们利用requests的库来对它获取请求,然后获取到文件的内容,实现的代码为:

下来我们使用lxml对text进行解析,解析如果对lxml熟悉相对来说是比较简单的,实现的代码是:

打开浏览器的调试模式,鼠标具体定位要获取的数据,这里是获取所有的数据,依据源码可以看到它是在div下面,同时这个div的class是lists,见下图所示:

那么就先获取到所有的uls,实现的代码为:

然后我们对uls进行循环,输出的对象都是Element,那么我们就需要在这些Element对象中获取电影名称,海报链接地址,和评分,见循环输出的内容:

首先来获取电影海报的链接地址,见海报链接地址在源码中的位置截图:

依据上图中可以看到,海报的链接地址和电影名称实在a标签下的img标签中,先来获取海报链接地址,它的xpath是.//a/@href,具体见实现的代码和输出:

下来来获取电影的名称,它也是在img标签中的alt属性中,它的xpath是.//a/img/@alt,见获取的源码:

最后获取平评分,来看评分在源码中的位置,见下图所示:

依据上图可以看到评分是在li标签下的span标签中并且span标签的class属性是subject-rate,那么它的xpath是.//span[@class="subject-rate"]/text(),见获取评分的数据代码:

可以看到某些电影的评分是空,同时评分应该是整型,那么就需要做处理和判断,首先判断,如果是[],替换成0,如果是['8.3']这样的,把它转成整型,但是它是列表类型,那么就是列表转为字符串再转为整型,见实现的源码和输出的评分结果:

通过如上得到了电影的名称,电影的海报地址,和电影的评分,那么它这些数据放在movie的字典中,同时在函数的循环外面定义一个列表movies[],把movie添加到列表movies中,见实现的源码:

我们循环输出列表movies看内容具体是,见执行输出的结果:

下来就是把电影名称,电影海报链接地址和电影评分写入到CSV的文件中,见完整实现的源码:

from lxml import etree
import requests
import csv

'''获取豆瓣全国正在热映的电影:西安地区'''

def getHeader():
    header={'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'}
    return header

def parse_page(url='https://movie.douban.com/cinema/nowplaying/xian/'):
    movies=[]
    r=requests.get(url=url,headers=getHeader())
    text=r.text
    html=etree.HTML(text)
    uls=html.xpath('//ul[@class="lists"]')[0]
    for ul in uls:
        #获取电影的所有海报
        imgLinks=ul.xpath('.//img/@src')[0]
        titles=ul.xpath('.//img/@alt')[0]
        if len(ul.xpath('.//span[@class="subject-rate"]/text()'))==0:
            score=ul.xpath('.//span[@class="subject-rate"]/text()')
            score=''.join(score)
            score=int(score.replace('','0'))
        elif len(ul.xpath('.//span[@class="subject-rate"]/text()'))==1:
            score=(ul.xpath('.//span[@class="subject-rate"]/text()')[0])
        movie={
            '电影名称':titles,
            '电影海报':imgLinks,
            '电影评分':score}
        movies.append(movie)
    #实现把数据写入到csv的文件中
    headers=['电影名称','电影海报','电影评分']
    with open('movieCsv.csv','w',encoding='gbk',newline='') as f:
        writer=csv.DictWriter(f,headers)
        writer.writeheader()
        writer.writerows(movies)

if __name__ == '__main__':
    parse_page()

打开movieCsv.csv文件,见写进去的数据截图:

OK,就写到这里。如您想学习接口自动化测试,可联系或者购买本人的接口自动化测试实战教程视频,二维码为:

原文发布于微信公众号 - Python自动化测试(wuya-python)

原文发表时间:2018-09-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏腾讯安全应急响应中心

短网址安全浅谈

何谓短网址(Short URL)?顾名思义,就是形式上比较短的网址,当前主要是借助短网址来替代原先冗长的网址,方便传输和分享。短网址服务也就是将长网址转换为短网...

49300
来自专栏码匠的流水账

聊聊partition的方式

一般来说,数据库的繁忙体现在:不同用户需要访问数据集中的不同部分,这种情况下,我们把数据的各个部分存放在不同的服务器/节点中,每个服务器/节点负责自身数据的读取...

17110
来自专栏韩东吉的Unity杂货铺

零基础入门 43:InputField虚拟键盘激活状态如何检查?

Hello,大家好,我是Jimin 韩东吉,因为公司的项目在前一段时间处于紧急开发阶段和紧接着的一测二测,导致又是时隔很久不更,现在节奏稍微慢了下来,还是抽空回...

22530
来自专栏开发 & 算法杂谈

构建动态数据竞争检测平台

之前的文章分别介绍了基于Lockset算法、基于happens-before关系以及基于两者混合的方法。对于这些方法,已有的一些论文中提到的有关实验对比可能都比...

24440
来自专栏IT派

从零开始:手把手教你安装深度学习操作系统、驱动和各种python库!

为了研究强化学习,最近购置了一台基于 Ubuntu 和英伟达 GPU 的深度学习机器。尽管目前在网络中能找到一些环境部署指南,但目前仍然没有全面的安装说明。另外...

47280
来自专栏数据派THU

手把手教你安装深度学习软件环境(附代码)

来源:机器之心 本文长度为2800字,建议阅读5分钟。 本文向你解释如何在一台新装的 Ubuntu 机器上安装 Python 和 Nvidia 硬件驱动、各类库...

22680
来自专栏IMWeb前端团队

[flash相关]crossBridge生成的库文件体积优化

本文作者:IMWeb 黄龙 原文出处:IMWeb社区 未经同意,禁止转载 不明白crossBridge是什么的可以看下这里 http://imweb....

23060
来自专栏腾讯云TStack专栏

FileStore压缩存储(优化篇)

前言 前面已经分析过RBD在Ceph的文件分布,就是将一个完整的块设备,映射成大小相同的数据块,然后通过Crush算法进行Map,最后存储在文件中。FileS...

97740
来自专栏Android干货园

Reading:一款不错的Material Desgin风格的Kotlin版本的开源APP

版权声明:本文为博主原创文章,转载请标明出处。 https://blog.csdn.net/lyhhj/article/details/81...

14730
来自专栏zhisheng

机器常见需要关注的监控指标

做运维,不怕出问题,怕的是出了问题,抓不到现场,两眼摸黑。所以,依靠强大的监控系统,收集尽可能多的指标,意义重大。但哪些指标才是有意义的呢,本着从实践中来的思想...

27210

扫码关注云+社区

领取腾讯云代金券