直接上代码,仅供参考。
目标爬取数据是某地区的“正在上映”部分的数据,如下图:
完整代码如下:
#!/usr/bin/python
# -*- coding:utf-8 -*-
from lxml import etree
import requests
"""
目标:爬取豆瓣深圳地区的"正在上映"部分的数据
注意点:
1、如果网页采用的编码方式与默认猜测的不同,就会出现解码失败,需要手动解码
2、xpath解析方法
"""
headers = {
'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 11_0_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36',
'Referer': 'https://www.douban.com/'
}
url = "https://movie.douban.com/cinema/nowplaying/shenzhen/"
response = requests.get(url, headers=headers)
text = response.text
# 如果网页采用的编码方式与默认猜测的不同,就会出现解码失败,需要手动解码
# text = response.content.decode('utf-8')
# 解析数据
html = etree.HTML(text)
# "正在上映"的电影
ul = html.xpath("//ul[@class='lists']")[0]
# print(etree.tostring(ul, encoding='utf-8').decode('utf-8'))
lis = ul.xpath("./li")
movies = []
for li in lis:
# 如果不加[0],则结果为一个列表;加了[0],结果为一个字符串
title = li.xpath("@data-title")[0] # 标题 获取属性值
score = li.xpath("@data-score")[0] # 评分 获取属性值
image = li.xpath(".//img/@src")[0] # 电影海报链接 //表示当前路径下的所有子孙,而不是直接子孙
movie = {'title': title, 'score': score, 'image': image}
movies.append(movie)
print(movies)