Python爬虫-爬取豆瓣图书Top250
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
