实例学习——爬取豆瓣网TOP250数据

  开发环境：（Windows）eclipse+pydev

  网址：https://book.douban.com/top250?start=0

from lxml import etree        #解析提取数据
import requests               #请求网页获取网页数据
import csv                    #存储数据

fp = open('D:\Pyproject\douban.csv','wt',newline='',encoding='UTF-8')      #创建csv文件
writer = csv.writer(fp)
writer.writerow(('name','url','author','publisher','date','price','rate','comment'))  #写入表头信息，即第一行

urls = ['https://book.douban.com/top250?start={}'.format(str(i)) for i in range(0,250,25)]   #构建urls

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'}

for url in urls:                     #循环url，先抓大，后抓小（！！！重要，下面详解）
    html = requests.get(url,headers = headers)
    selector = etree.HTML(html.text)
    infos = selector.xpath('//tr[@class="item"]')
    for info in infos:
        name = info.xpath('td/div/a/@title')
        url = info.xpath('td/div/a/@href')
        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()')
        comments = info.xpath('td/p/span/text()')
        comment = comments[0] if len(comments) != 0 else ''
        writer.writerow((name,url,author,publisher,date,price,rate,comment))   #写入数据
fp.close()                          #关闭csv文件，勿忘

成果展示：

#乱码错误，用记事本打开，另存为UTF-8文件可解决

本例主要学习csv库的使用与数据批量抓取方式（即先抓大，后抓小，寻找循环点）

csv库创建csv文件及写入数据方式：

import csv
fp = ('C://Users/LP/Desktop/text.csv','w+')
writer = csv.writer(fp)
writer.writerow('id','name')
writer.writerow('1','OCT')
writer.writerow('2','NOV')                #写入行
fp.close()

数据批量抓取：

通过类似于BeautifulSoup中的selector()删除谓语部分不可行，思路应为“先抓大，后抓小，寻找循环点”（手写，非copy xpath）

打开chrome浏览器进行“检查”，通过“三角形符号”折叠元素，找到完整的信息标签，如下图

（selector()获取数据集中最大区域，遵循路径表达式，第一个字符串前置）

 后每个单独的数据（名字，价格等）另取：

如 name，归属：<a>—><div>—><td>

 所以：（当归属指向不变时，取小范围的） 

 name = info.xpath('td/div/a/@title')