Python|简单爬取豆瓣网电影信息
前言：
在掌握一些基础的爬虫知识后，就可以尝试做一些简单的爬虫来练一练手。今天要做的是利用xpath库来进行简单的数据的爬取。我们爬取的目标是电影的名字、导演和演员的信息、评分和url地址。
准备环境：Pycharm、python3、爬虫库request、xpath模块、lxml模块
第一步：分析url ,理清思路
先搜索豆瓣电影top250，打开网站可以发现要爬取的数据不止存在单独的一页，而是存在十页当中，这时应该怎么做呢？
首先观察：
第一页的
url:https://movie.douban.com/top250?start=0&filter=
第二页的
url:https://movie.douban.com/top250?start=25&filter=
第三页的
url:https://movie.douban.com/top250?start=50&filter=
可以得出一个结论每页的url是有规律的，start后面的数字等于页数减一乘以五。这样就可以用一个循环来爬取。
图1.1
再来就是通常的头部信息，第一步如下图所示：
图1.2
第二步：发送请求，利用xpath处理数据
Xpath可以通过节点来快速获取需要的信息，并把它提取出来。先打开浏览器的开发者工具。发现所有的电影数据都存放在div[@class="info"]的标签里，通过一级一级的获取，就可以得到想要的信息。可以直接来利用开发者工具的copy,来copy xpath的路径，但一般不推荐，因为很可能出错。
图2.1
如图所示：
图2.2
第三步：保存数据
我们可以用csv来保存数据
图3.1
代码如下：
import requests
import lxml.html
import csv
etree = lxml.html.etree
temp = r'C:\Users\86177\Desktop'+'\\'+'doubanmovie'
with open(temp + '.csv', 'w') as f:
csvwriter = csv.writer(f, dialect='excel')
csvwriter.writerow(['title','info','average','link'])
header ={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.7 Safari/537.36'}
for n in range(11):
url = 'https://movie.douban.com/top250?start=%s&filter='.format((n-1)*5)
response = requests.get(url,headers=header)
response.encoding = "utf-8"
html1 = etree.HTML(response.text)
h = html1.xpath('//div[@class="info"]')
for sech in h:
i = sech
title = i.xpath('div[@class="hd"]/a/span[@class="title"]/text()')
othertitle = i.xpath('div[@class="hd"]/a/span[@class="other"]/text()')
info = i.xpath('div[@class="bd"]/p/text()')
average = i.xpath('div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()')
link = i.xpath('div[@class="hd"]/a/@href')
for a, b, c, d in zip(title, info, average, link):
print(a, b, c, d)
with open(temp + '.csv', 'w') as f:
csvwriter = csv.writer(f, dialect='excel')
csvwriter.writerow([a, b, c, d])总结：
这次爬取豆瓣的反爬虫机制较少，很适合一些学习爬虫知识的小白来练一练手。提高爬虫实战的能力。
END
编 辑 | 王楠岚
责 编 | 王 曦
where2go 团队