豆瓣网站很人性化,对于新手爬虫比较友好,没有如果调低爬取频率,不用担心会被封 IP。但也不要太频繁爬取。
涉及知识点:requests、html、xpath、csv
一、准备工作
需要安装requests、lxml、csv库
爬取目标:https://book.douban.com/top250
二、分析页面源码
打开网址,按下F12,然后查找书名,右键弹出菜单栏 Copy==> Copy Xpath
以书名“追风筝的人” 获取书名的xpath是://*[@id="content"]/div/div[1]/div/table[1]/tbody/tr/td[2]/div[1]/a
这里需要注意一下,浏览器复制的xpath只能作参考,因为浏览器经常会在自己里面增加多余的tbody标签,我们需要手动把这个标签删除,整理成//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div[1]/a
同样获取图书的评分、评论人数、简介,结果如下:
//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div[2]/span[2]
//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div[2]/span[3]
//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/p[1]
初步代码
import requests
from lxml import etree
html = requests.get('https://book.douban.com/top250').text
res = etree.HTML(html)
#因为要获取标题文本,所以xpath表达式要追加/text(),res.xpath返回的是一个列表,且列表中只有一个元素所以追加一个[0]
name = res.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div[1]/a/text()')[0].strip()
score = res.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div[2]/span[2]/text()')[0].strip()
comment = res.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div[2]/span[3]/text()')[0].strip()
info = res.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/p[1]/text()')[0].strip()
print(name,score,comment,info)
执行显示:
这里只是获取第一条图书的信息,获取第二、第三看看
得到xpath:
import requests
from lxml import etree
html = requests.get('https://book.douban.com/top250').text
res = etree.HTML(html)
name1 = res.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div[1]/a/text()')[0].strip()
name2 = res.xpath('//*[@id="content"]/div/div[1]/div/table[2]/tr/td[2]/div[1]/a/text()')[0].strip()
name3 = res.xpath('//*[@id="content"]/div/div[1]/div/table[3]/tr/td[2]/div[1]/a/text()')[0].strip()
print(name1,name2,name3)
执行显示:
对比他们的xpath,发现只有table序号不一样,我们可以就去掉序号,得到全部关于书名的xpath信息:
import requests
from lxml import etree
html = requests.get('https://book.douban.com/top250').text
res = etree.HTML(html)
names = res.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div[1]/a/text()')
for name in names:
print(name.strip())
执行结果:太多,这里只展示一部分
对于其他评分、评论人数、简介也同样使用此方法来获取。
到此,根据分析到的信息进行规律对比,写出获取第一页图书信息的代码:
import requests
from lxml import etree
html = requests.get('https://book.douban.com/top250').text
res = etree.HTML(html)
trs = res.xpath('//*[@id="content"]/div/div[1]/div/table/tr')
for tr in trs:
name = tr.xpath('./td[2]/div[1]/a/text()')[0].strip()
score = tr.xpath('./td[2]/div[2]/span[2]/text()')[0].strip()
comment = tr.xpath('./td[2]/div[2]/span[3]/text()')[0].strip()
info = tr.xpath('./td[2]/p[1]/text()')[0].strip()
print(name,score,comment,info)
执行结果展示(内容较多,只展示前部分)
以上只是获取第一页的数据,接下来,我们获取到全部页数的链接,然后进行循环即可
三、获取全部链接地址
查看分析页数对应网页源码:
以代码实现
for i in range(10):
url = 'https://book.douban.com/top250?start={}'.format(i * 25)
print(url)
执行结果:正是正确的结果
经过分析,已经获取到全部的页面链接和每一页的数据提取,最后把整体代码进行整理和优化。
完整代码
#-*- coding:utf-8 -*-
"""
-------------------------------------------------
File Name: DoubanBookTop250
Author : zww
Date: 2019/5/13
Change Activity:2019/5/13
-------------------------------------------------
"""
import requests
from lxml import etree
#获取每页地址
def getUrl():
for i in range(10):
url = 'https://book.douban.com/top250?start={}'.format(i*25)
urlData(url)
#获取每页数据
def urlData(url):
html = requests.get(url).text
res = etree.HTML(html)
trs = res.xpath('//*[@id="content"]/div/div[1]/div/table/tr')
for tr in trs:
name = tr.xpath('./td[2]/div/a/text()')[0].strip()
score = tr.xpath('./td[2]/div/span[2]/text()')[0].strip()
comment = tr.xpath('./td[2]/div/span[3]/text()')[0].replace('(','').replace(')','').strip()
info = tr.xpath('./td[2]/p[1]/text()')[0].strip()
print("《{}》--{}分--{}--{}".format(name,score,comment,info))
if __name__ == '__main__':
getUrl()
执行结果:总共250条图书信息,一条不少,由于数据太多,只展示前部分
把爬取到的数据存储到csv文件中
def write_to_file(content):
#‘a’追加模式,‘utf_8_sig’格式到处csv不乱码
with open('DoubanBookTop250.csv','a',encoding='utf_8_sig',newline='') as f:
fieldnames = ['name','score','comment','info']
#利用csv包的DictWriter函数将字典格式数据存储到csv文件中
w = csv.DictWriter(f,fieldnames=fieldnames)
w.writerow(content)
完整代码
#-*- coding:utf-8 -*-
"""
-------------------------------------------------
File Name: DoubanBookTop250
Author : zww
Date: 2019/5/13
Change Activity:2019/5/13
-------------------------------------------------
"""
import csv
import requests
from lxml import etree
#获取每页地址
def getUrl():
for i in range(10):
url = 'https://book.douban.com/top250?start={}'.format(i*25)
for item in urlData(url):
write_to_file(item)
print('成功保存豆瓣图书Top250第{}页的数据!'.format(i+1))
#数据存储到csv
def write_to_file(content):
#‘a’追加模式,‘utf_8_sig’格式到处csv不乱码
with open('DoubanBookTop250.csv','a',encoding='utf_8_sig',newline='') as f:
fieldnames = ['name','score','comment','info']
#利用csv包的DictWriter函数将字典格式数据存储到csv文件中
w = csv.DictWriter(f,fieldnames=fieldnames)
w.writerow(content)
#获取每页数据
def urlData(url):
html = requests.get(url).text
res = etree.HTML(html)
trs = res.xpath('//*[@id="content"]/div/div[1]/div/table/tr')
for tr in trs:
yield {
'name':tr.xpath('./td[2]/div/a/text()')[0].strip(),
'score':tr.xpath('./td[2]/div/span[2]/text()')[0].strip(),
'comment':tr.xpath('./td[2]/div/span[3]/text()')[0].replace('(','').replace(')','').strip(),
'info':tr.xpath('./td[2]/p[1]/text()')[0].strip()
}
#print("《{}》--{}分--{}--{}".format(name,score,comment,info))
if __name__ == '__main__':
getUrl()
内容过多,只展示前部分