首页 > > 网络编程 > 其它 >

Python爬虫爬取豆瓣电影之数据提取值xpath和lxml…

2018-09-29 03:58:52来源：博客园阅读 ()

工具：Python 3.6.5、PyCharm开发工具、Windows 10 操作系统、谷歌浏览器

目的：爬取豆瓣电影排行榜中电影的title、链接地址、图片、评价人数、评分等

网址：https://movie.douban.com/chart

语法要点：

xpath语法：

谷歌浏览器安装 xpath helper插件：帮助我们从elements中定位数据

1、选择节点（标签）

　　（1）、/html/head/meta：能够选中html下的所有的meta标签

　　（2）、//li：当前页面上的所有的li标签

　　（3）、/html/head//link：head下的所有link标签

2、//：能够从任意节点开始选择

　　（1）、//li：当前页面上的所有的li标签

　　（2）、/html/head//link：head下的所有的link标签

3、@符号的用途

　　（1）、选择具体某个元素：//div[@class='feed']/ul/li，选择class='feed'的div下的ul下的li

　　（2）、a/@href：选择a的href的值

4、获取文本

　　（1）、/a/text()：获取a下的文本

　　（2）、/a//text()：获取a下的所有文本

示例：

lxml语法：

1、安装：pip install lxml

2、使用

　　from lxml import etree

　　element = etree.HTML("html字符串")

　　element.xpath("")

代码：

 1 from lxml import etree
 2 import requests
 3 
 4 url = "https://movie.douban.com/chart"
 5 
 6 headers = {
 7 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 Safari/537.36"
 8 }
 9 response = requests.get(url,headers=headers)
10 html_str = response.content.decode()
11 
12 #print(html_str)
13 
14 html = etree.HTML(html_str)
15 print(html)
16 
17 #1.获取所有的电影的URL地址
18 #url_list = html.xpath("//div[@class='indent']/div/table//div[@class='pl2']/a/@href")
19 #print(url_list)
20 
21 #2.所有图片的地址
22 #img_list = html.xpath("//div[@class='indent']/div/table//a[@class='nbg']/img/@src")
23 #print(img_list)
24 ret1 = html.xpath("//div[@class='indent']/div/table")
25 print(ret1)
26 for table in ret1:
27     item = {}
28     item["title"] = table.xpath(".//div[@class='pl2']/a/text()")[0].replace("/","").strip()
29     item["href"] = table.xpath(".//div[@class='pl2']/a/@href")[0]
30     item["img"] = table.xpath(".//a[@class='nbg']/img/@src")[0]
31     item["comment_num"] = table.xpath(".//span[@class='pl']/text()")[0]
32     item["rating_num"] = table.xpath(".//span[@class='rating_nums']/text()")[0]
33     print(item)
34