目标
爬取豆瓣图书TOP250的图书信息，包括书名(name)、书本的URL链接(url)、作者(author)、出版社(publisher)、出版时间(date)、书本价格(price)、评分(rate)和评价(comment)
网址
https://book.douban.com/top250
思路
（1）手动浏览，观察url地址的变化，构建url列表。很容易发现url地址是以数字递增的方式改变的，步长为25，共10页。
https://book.douban.com/top250?start=25
https://book.douban.com/top250?start=50
（2）爬取相关信息
（3）将爬取的信息写入csv文件
具体代码如下：
import csv
from lxml import etree
import requests
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 \
(KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
f = open('doubanTop250.csv', 'wt', newline='', encoding='UTF-8') #创建csv文件
writer = csv.writer(f)
writer.writerow(('name', 'url', 'author', 'publisher', 'date', 'price', 'rate',
'comment'))
urls = ["https://book.douban.com/top250?start={}"\
.format(str(i)) for i in range(0,226,25)] #构造url列表
for url in urls:
print('正在爬取'+url)
r = requests.get(url, headers=headers)
selector = etree.HTML(r.text)
infos = selector.xpath('//tr[@class="item"]') #取大标签，以此循环
for info in infos:
name = info.xpath('td/div/a/@title')[0]
url = info.xpath('td/div/a/@href')[0]
book_infos = info.xpath('td/p/text()')[0]
author = book_infos.split('/')[0]
publisher = book_infos.split('/')[-3]
date = book_infos.split('/')[-2]
price = book_infos.split('/')[-1]
rate = info.xpath('td/div/span[2]/text()')[0]
comments = info.xpath('td/p/span/text()')
comment = comments[0] if len(comments) != 0 else "空"
writer.writerow((name,url,author,publisher,date,price,rate,comment))
f.close()
爬取结果如下
image
需要注意的是，爬取完用excel打开会看到是乱码，不要慌，这时候先用记事本打开，将编码改为UTF格式，保存后再用excel打开就正常了
