# 获取中文电影标题
title_cn = data.xpath('//\*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]/text()')
而在a标签下的第二个span标签中包含的文本内容是电影的英文标题,所以我们只需要将span[1]改成span[2]就可以获取到电影的英文标题。
# 获取英文电影标题
title_en = data.xpath('//\*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[2]/text()')
接下来获取电影详情页的链接,链接就在a标签中,是a标签的属性href的属性值,我们复制a标签的xpath。
//\*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a
定位到a标签,要取其属性href的值需要在该路径后加上/@href 即可。
# 获取电影详情页链接
detail_link = data.xpath('//\*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/@href')
将这些信息打印看一下是否获取到正确信息:
我们已经获取到了第一部电影的中英文标题和详情页链接,它们都各自存放在一个列表中。
接下来我们可以用同样的方法获取电影的导演、主演、上映年份、国籍、类型和评分。
# 获取电影的导演和主演
people = data.xpath('//\*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[2]/p[1]/text()[1]')
# 获取电影的年份、国籍和类型
info = data.xpath('//\*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[2]/p[1]/text()[2]')
# 获取电影的评分
score = data.xpath('//\*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[2]/div/span[2]/text()')
打印数据:
可以发现,我们确实获取到了电影的数据,但是有些数据在存放在一起的并且有乱码,下面再进行数据处理。以上就是我们获取一部电影数据的过程,接下来要获取一个页面的全部电影信息,然后通过循环翻页,获取不同页面的电影信息。
2.4 获取一个页面中所有电影的信息
我们通过xpath已经获取了页面中一部电影的数据,想要获得页面中所有电影的数据就要扩大查找范围,即减少xpath表达式中的标签数量。前面说过,每个li标签下都是一部电影的信息,一个页面有25部电影,那么就应该有25个li标签,我们可以通过li标签的下标定位获取到不同的li标签。如,下面这个路径中li[1]代表第一个li标签。我们可以先定位到所有包含电影信息的li标签,在通过循环遍历每一个li标签获取电影数据。
注意:xpath中标签的下标索引是从1开始,而不是从0开始。
//\*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a
由于每一次取到的值存放到一个列表中,所以我们可以通过列表的下标索引取值。
# 取出所有电影的中文标题
titles_cn = data.xpath('//\*[@id="content"]/div/div[1]/ol/li')
# 创建空列表用于存放所有标题
title_cn = []
for each in titles_cn:
title = each.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0] # 每次获取到的数据存在一个列表中,通过下标索引取列表的值
title_cn.append(title)
print(title_cn)
输出结果:
输出结果表明我们已经取到一个页面中的25部电影的中文标题。
然后,我们用同样的方法获取电影的其他信息。
# 取出所有电影的英文标题
titles_en = data.xpath('//\*[@id="content"]/div/div[1]/ol/li')
# 创建空列表用于存放所有标题
title_en = []
for each in titles_en:
# 每次获取到的数据存在一个列表中,通过下标索引取列表的值
# 通过字符串的strip()方法去除字符串首尾的指定字符串
title = each.xpath('./div/div[2]/div[1]/a/span[2]/text()')[0].strip('\xa0/\xa0')
title_en.append(title)
print(title_en)
获取该页面全部电影的英文标题:
# 获取电影详情页链接
detail_link = data.xpath('//\*[@id="content"]/div/div[1]/ol/li')
# 创建空列表用于存放所有标题
links = []
for each in detail_link :
link = each.xpath('./div/div[2]/div[1]/a/@href')[0]
links.append(link)
print(links)
# print(len(links))
获取该页面全部电影的详情页链接:
2.5 通过循环获取所有页面的电影数据
需要嵌套循环,第一层循环通过改变data参数中的start的值来实现翻页,第二层循环则是遍历每个页面中的li标签,获取该页面每一部电影的数据。
第一层循环,第一页的start=0,第二页的start=25……第十页的start=225,因此for循环range中的start=0,stop=226,step=25,即range(0:226:25)。
第二层循环就是遍历li标签,与2.4中一样。
三、将数据存储到本地CSV文件
需要导入CSV模块
import csv
打开CSV文件,写入每一列的列名,注意,写入的每一行数据都要封装到一个列表中。
fp = open('./douban\_top250.csv','w',encoding='utf-8') # 以写入模式打开文件
writer = csv.writer(fp) # 实例化对象
# 写入每一列的列名
# 注意,写入的每一行数据都要封装到一个列表中
writer.writerow(['电影中文名', '电影英文名','电影详情页链接','导演','演员','上映年份','国籍','类型','评分','评分人数'])
通过循环获取数据,将每一部电影的数据作为一行写入文件中,写入的每一行数据都要封装到一个列表中。
# 将每一部电影的数据作为一行写入文件中
writer.writerow([title1,title2,link,dirt,ac,year,nation,ftype,score,num])
四、本次程序的全部代码
# 导包
import requests
from lxml import etree # 用lxml解析器生成的对象中的xpath方法
from time import sleep
import csv
import numpy as np
# 指定URL
# url = 'https://movie.douban.com/top250'
# 进行UA伪装
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/117.0.0.0 Safari/537.36 Edg/117.0.2045.41'}
# 定义空列表存放电影数据
tiltes_cn = [] # 中文标题
titles_en = [] # 英文标题
links = [] # 详情页链接
director = [] # 导演
actors = [] # 演员
years = [] # 上映年份
nations = [] # 国籍
types = [] # 类型
scores = [] # 评分
rating_nums = [] # 评分人数
fp = open('./douban\_top250.csv','w',encoding='utf-8')
writer = csv.writer(fp)
writer.writerow(['电影中文名', '电影英文名','电影详情页链接','导演','演员','上映年份','国籍','类型','评分','评分人数'])
for i in range(0,226,25):
url = f'https://movie.douban.com/top250?start={i}&filter='
# 将URL中的参数封装到字典中
# data = {
# 'start':i, # 设置start参数
# 'filter':'',
# }
# 发起请求,获取网页响应
response = requests.get(url,headers=headers
# ,data=data
)
sleep(1)
# print(response.status\_code)
# print(response.encoding)
# print(response.text)
# 获取响应内容
html = response.text
# 实例化一个etree对象
data = etree.HTML(html)
# 所有电影信息都在li标签下,所以我们可以先定位到li标签,在通过循环获取每一个li标签中的信息
li_list = data.xpath('//\*[@id="content"]/div/div[1]/ol/li')
# 通过循环遍历每一页中的所有li标签,获取该页面所有电影的数据
for each in li_list:
# 中文标题
title1 = each.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0]
tiltes_cn.append(title1)
# 英文标题
# 每次获取到的数据存在一个列表中,通过下标索引取列表的值
# 通过字符串的strip()方法去除字符串首尾的指定字符串
title2 = each.xpath('./div/div[2]/div[1]/a/span[2]/text()')[0].strip('\xa0/\xa0')
titles_en.append(title2)
# 链接
link = each.xpath('./div/div[2]/div[1]/a/@href')[0]
links.append(link)
# 导演、主演
info1 = each.xpath('./div/div[2]/div[2]/p[1]/text()[1]')[0].strip() # 通过strip方法去除字符串的前后空格
split_info1 = info1.split('\xa0\xa0\xa0') # 通过指定字符串分割字符串
dirt = split_info1[0].strip('导演: ')
director.append(dirt)
# 有些电影的主演为空,所以需要进行条件判断
# 如果导演和主演信息都有,则获取主演信息
if len(split_info1) == 2:
ac = split_info1[1].strip('主演: ')
actors.append(ac)
# 如果没有主演信息,则将其信息设置为空
else:
actors.append(np.nan)
# 年份、国籍、类型
info2 = each.xpath('./div/div[2]/div[2]/p[1]/text()[2]')[0].strip() # 去除字符串首尾的空格
split_info2 = info2.split('\xa0/\xa0') # 通过字符串分割获取字符串中的年份、国籍和类型
# print(split\_info)
year = split_info2[0]
nation = split_info2[1]
ftype = split_info2[2]
years.append(year)
nations.append(nation)
types.append(ftype)
# 电影评分
score = each.xpath('./div/div[2]/div[2]/div/span[2]/text()')[0]
scores.append(score)
# 获取电影打分人数
num = each.xpath('./div/div[2]/div[2]/div/span[4]/text()')[0].strip('人评价')
rating_nums.append(num)
writer.writerow([title1,title2,link,dirt,ac,year,nation,ftype,score,num])
print(f'————————————第{int((i/25)+1)}页爬取完毕!——————————————')
fp.close() # 写入完成后,关闭文件
print('——————————————————————————————————爬虫结束!!!!!————————————————————————————————————————————————')
**自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。**
**深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!**
**因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。**
![img](https://img-blog.csdnimg.cn/img_convert/70e9384c7b4ca5a99880d90477fc7f15.png)
![img](https://img-blog.csdnimg.cn/img_convert/6bfd51e7821c911c05e5d8e954c82410.png)
![img](https://img-blog.csdnimg.cn/img_convert/46506ae54be168b93cf63939786134ca.png)
![img](https://img-blog.csdnimg.cn/img_convert/252731a671c1fb70aad5355a2c5eeff0.png)
![img](https://img-blog.csdnimg.cn/img_convert/6c361282296f86381401c05e862fe4e9.png)
![img](https://img-blog.csdnimg.cn/img_convert/9f49b566129f47b8a67243c1008edf79.png)
**既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!**
**由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新**
**如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注Python)**
ert/6c361282296f86381401c05e862fe4e9.png)
![img](https://img-blog.csdnimg.cn/img_convert/9f49b566129f47b8a67243c1008edf79.png)
**既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!**
**由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新**
**如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注Python)**
<img src="https://img-community.csdnimg.cn/images/fd6ebf0d450a4dbea7428752dc7ffd34.jpg" alt="img" style="zoom:50%;" />