十一. 爬虫实战(Xpath)- 豆瓣图书TOP250的数据

爬取网址:https://book.douban.com/top250
爬取信息:书名、书名链接,评价、评价人数、一句话点评

  1. 爬书名时,直接复制xpath会遇到一个坑。
    这是由于chrome、Firefox等浏览器为了对html文本进行规范化,自动在table标签下添加了tbody。
    (通过【查看网页源代码】和【审查】来进行比较,就能清楚看到上述结果。)
    所以,需要手动去除table后面的/tbody。
原xpath路径:  //*[@id="content"]/div/div[1]/div/table[1]/tbody/tr/td[2]/div[1]/a
替换xpath路径://*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div[1]/a
  1. 要爬取多本图书的信息,只需列出多本图书的xpath信息进行观察,结果发现table序号不断增加,以书名为例:
//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div[1]/a
//*[@id="content"]/div/div[1]/div/table[2]/tr/td[2]/div[1]/a
//*[@id="content"]/div/div[1]/div/table[3]/tr/td[2]/div[1]/a
//*[@id="content"]/div/div[1]/div/table[4]/tr/td[2]/div[1]/a

#获取多本图书书名的xpath路径为:
//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div[1]/a
  • 单页面代码为:
import requests
from lxml import etree

url = 'https://book.douban.com/top250'
r = requests.get(url)
#print(r.status_code)
selector = etree.HTML(r.text)

book_names = selector.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div[1]/a/@title')
ratings = selector.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div[2]/span[2]/text()')
rating_nums = selector.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div[2]/span[3]/text()')
comments = selector.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/p[2]/span/text()')
book_links = selector.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div[1]/a/@href')

print(book_names , ratings, rating_nums, comments, book_links)
  1. 多页面信息爬取,观察页面规律,并构造出网页列表:
    urls = ['https://book.douban.com/top250?start={}'.format(i * 25) for i in range(10)]

  2. 附上全部代码,由于某些书不存在评论,故而使用了try语句:

import requests
from lxml import etree
import time

urls = ['https://book.douban.com/top250?start={}'.format(i * 25) for i in range(10)]
for url in urls:
    r = requests.get(url)
    selector = etree.HTML(r.text)
    
    books = selector.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]')
    for book in books:
        book_name = book.xpath('./div[1]/a/@title')[0]   
        rating = book.xpath('./div[2]/span[2]/text()')[0]
        rating_num = book.xpath('./div[2]/span[3]/text()')[0].strip('()\n ')  #去除包含"(",")","\n"," "的首尾字符
        try:
            comment = book.xpath('./p[2]/span/text()')[0]
        except:
            comment = ""
        book_link = book.xpath('./div[1]/a/@href')[0]
        print(book_name ,rating, rating_num,comment, book_link)   
    time.sleep(3)
    • 进一步对xpath的路径进行精简;
    • 使用if...else语句替换try语句;
    • 使用csv文件存储数据。
import requests
from lxml import etree
import time
import csv

f = open('F://book_top250.csv','w',newline='')
writer = csv.writer(f)
writer.writerow(('书名','评价','评价人数','一句话点评','书名链接'))

urls = ['https://book.douban.com/top250?start={}'.format(i * 25) for i in range(10)]
for url in urls:
    r = requests.get(url)
    selector = etree.HTML(r.text)
    
    books = selector.xpath('//tr[@class="item"]')
    for book in books:
        book_name = book.xpath('td/div/a/@title')[0] 
        rating = book.xpath('td/div/span[2]/text()')[0]
        rating_num = book.xpath('td/div/span[3]/text()')[0].strip('()\n 人评价') #去除包含"(",")","\n"," ","人评价"的首尾字
        comment_t = book.xpath('td/p/span/text()')    #p[2]可简化为p。
        #comment_t = book.xpath('td/p[2]/span/text()')
        comment = comment_t[0] if len(comment_t) !=0 else "空"
        book_link = book.xpath('td/a/@href')[0]
        writer.writerow((book_name,rating,rating_num,comment,book_link))
    time.sleep(3) 
f.close()
    • 提炼文件结构;
    • 增加作者,出版日期,价格信息。
    • 用记事本打开正常,用Excel打开乱码。解决办法:用记事本打开,另存为UTF-8的文件,便不会出现乱码问题。
import requests
from lxml import etree
import time
import csv

def get_info(url):
    r = requests.get(url)
    selector = etree.HTML(r.text)
    
    books = selector.xpath('//tr[@class="item"]')
    for book in books:
        book_name = book.xpath('td/div/a/@title')[0] 
        rating = book.xpath('td/div/span[2]/text()')[0]
        rating_num = book.xpath('td/div/span[3]/text()')[0].strip('()\n 人评价') #去除包含"(",")","\n"," ","人评价"的首尾字
        comment_t = book.xpath('td/p/span/text()')    #p[2]可简化为p。
        #comment_t = book.xpath('td/p[2]/span/text()')
        comment = comment_t[0] if len(comment_t) !=0 else "空"
        
        book_infos = book.xpath('td/p[1]/text()')[0]
        author = book_infos.split('/')[0]
        publisher = book_infos.split('/')[-3]
        date = book_infos.split('/')[-2]
        price = book_infos.split('/')[-1]
        book_link = book.xpath('td/a/@href')[0]

        writer.writerow((book_name,rating,rating_num,comment,author,publisher,date,price,book_link))


if __name__ == '__main__':
    f = open('F://book_top250.csv','w',newline='',encoding='utf-8')
    writer = csv.writer(f)
    writer.writerow(('书名','评价','评价人数','一句话点评','作者','出版社','出版日期','价格','书名链接'))

    urls = ['https://book.douban.com/top250?start={}'.format(i * 25) for i in range(10)]
    for url in urls:
        get_info(url)
        time.sleep(3)        
    f.close()
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,547评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,399评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,428评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,599评论 1 274
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,612评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,577评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,941评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,603评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,852评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,605评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,693评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,375评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,955评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,936评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,172评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,970评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,414评论 2 342

推荐阅读更多精彩内容