利用正则表达式爬取豆瓣读书top250书籍信息 附有详细分析

  
import csv
from lxml import etree
import requests

fp=open('C:\\Users\我的电脑\Desktop\doubanbook.csv','wt',newline='',encoding='utf-8')
writer=csv.writer(fp)         #创建csv
writer.writerow(('name','url','author','publisher','date','price','rate','comment'))  #在csv文件中写下这一行

urls=['https://book.douban.com/top250?start={}'.format(str(i) for i in range(0,250,25))]  #构造链接
headers={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
}

for url in urls:
    html=requests.get(url,headers=headers)
    selector=etree.HTML(html.text)                    #解析获得的html文件
    infos=selector.xpath('//tr[@class="item"]')       #//标签[@class=名称] 用来锁定标签
    for info in infos:                                #xpth用的是先大后小原则,即先得到相对上级的tr,再得到后续的标签
        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()')      #text()转换为text形式
        comment=comments[0] if len(comments) != 0 else "空"    #判断评论是否为空
        writer.writerow((name,url,author,publisher,date,price,rate,comment))

fp.close()

爬取的网址 https://book.douban.com/top250?start=25

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值