CSV文件在网络爬虫中的应用

结合网络爬虫的技术，把数据获取到写入到CSV的文件中，其实利用爬虫的技术可以获取到很多的数据，某些时候仅仅是好玩，真正进行数据分析并且让数据可以商业化产生价值体系，是一个很高的境界。

        这里以豆瓣电影为案例，获取豆瓣电影中正在上映的电影，并且把这些数据写入到CSV的文件中，主要是电影名称， 电影海报的链接地址和电影评分。这里使用到的库是lxml，lxml是一款高性能的Python HTML/XML解析器，安装命令为：

pip3  install lxml

使用它的时候主要会使用到xpath的语法（当然这里不会详细的介绍xpath）。首先见要获取的数据，如下图所示：

链接地址是:https://movie.douban.com/cinema/nowplaying/xian/，那么首先我们利用requests的库来对它获取请求，然后获取到文件的内容，实现的代码为：

下来我们使用lxml对text进行解析，解析如果对lxml熟悉相对来说是比较简单的，实现的代码是:

打开浏览器的调试模式，鼠标具体定位要获取的数据，这里是获取所有的数据，依据源码可以看到它是在div下面，同时这个div的class是lists，见下图所示：

那么就先获取到所有的uls，实现的代码为：

然后我们对uls进行循环，输出的对象都是Element，那么我们就需要在这些Element对象中获取电影名称，海报链接地址，和评分，见循环输出的内容：

首先来获取电影海报的链接地址，见海报链接地址在源码中的位置截图：

依据上图中可以看到，海报的链接地址和电影名称实在a标签下的img标签中，先来获取海报链接地址，它的xpath是.//a/@href，具体见实现的代码和输出：

下来来获取电影的名称，它也是在img标签中的alt属性中，它的xpath是.//a/img/@alt，见获取的源码：

最后获取平评分，来看评分在源码中的位置，见下图所示：

依据上图可以看到评分是在li标签下的span标签中并且span标签的class属性是subject-rate，那么它的xpath是.//span[@class="subject-rate"]/text()，见获取评分的数据代码：

可以看到某些电影的评分是空，同时评分应该是整型，那么就需要做处理和判断，首先判断，如果是[]，替换成0，如果是['8.3']这样的，把它转成整型，但是它是列表类型，那么就是列表转为字符串再转为整型，见实现的源码和输出的评分结果：

通过如上得到了电影的名称，电影的海报地址，和电影的评分，那么它这些数据放在movie的字典中，同时在函数的循环外面定义一个列表movies[]，把movie添加到列表movies中，见实现的源码：

我们循环输出列表movies看内容具体是，见执行输出的结果：

下来就是把电影名称，电影海报链接地址和电影评分写入到CSV的文件中，见完整实现的源码：

from lxml import etree
import requests
import csv

'''获取豆瓣全国正在热映的电影:西安地区'''

def getHeader():
    header={'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'}
    return header

def parse_page(url='https://movie.douban.com/cinema/nowplaying/xian/'):
    movies=[]
    r=requests.get(url=url,headers=getHeader())
    text=r.text
    html=etree.HTML(text)
    uls=html.xpath('//ul[@class="lists"]')[0]
    for ul in uls:
        #获取电影的所有海报
        imgLinks=ul.xpath('.//img/@src')[0]
        titles=ul.xpath('.//img/@alt')[0]
        if len(ul.xpath('.//span[@class="subject-rate"]/text()'))==0:
            score=ul.xpath('.//span[@class="subject-rate"]/text()')
            score=''.join(score)
            score=int(score.replace('','0'))
        elif len(ul.xpath('.//span[@class="subject-rate"]/text()'))==1:
            score=(ul.xpath('.//span[@class="subject-rate"]/text()')[0])
        movie={
            '电影名称':titles,
            '电影海报':imgLinks,
            '电影评分':score}
        movies.append(movie)
    #实现把数据写入到csv的文件中
    headers=['电影名称','电影海报','电影评分']
    with open('movieCsv.csv','w',encoding='gbk',newline='') as f:
        writer=csv.DictWriter(f,headers)
        writer.writeheader()
        writer.writerows(movies)

if __name__ == '__main__':
    parse_page()

打开movieCsv.csv文件，见写进去的数据截图：