Python3--利用XPath解析豆瓣top250数据

Python3--利用XPath解析豆瓣top250数据

开发工具:PyCharm

运行环境:Mac系统   Python3

爬虫地址:https://movie.douban.com/top250(仅供学习之用)

 

一.环境搭建,引入对应的包

直接在PyCharm工具终端输入

pip install lxml

 

 

二.代码引入包

import requests
from lxml import etree

 

三.正式进入代码编写,引入请求头:

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}

 

四.声明main方法

在学习过程中,发现xpath还是比较灵活的,写法没有唯一的标准,可以看出输出结果是一样的。

def main():
    url = 'https://movie.douban.com/top250'

    responseIndex = requests.get(url, headers=headers)

    selector = etree.HTML(responseIndex.text)

    # 从content开始解析
    resultContentJson = selector.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]/text()')[0]

    # 从ol节点开始解析
    resultOLJson = selector.xpath('//ol/li[1]/div/div[2]/div[1]/a/span[1]/text()')[0]



    print('从content开始解析:' + resultContentJson)
    #
    print('从ol节点开始解析:' + resultOLJson)



main()

 

输出结果:

 

五.获取全部标题,那就来个循环咯

import requests
from lxml import etree

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}


def main():
    url = 'https://movie.douban.com/top250'

    responseIndex = requests.get(url, headers=headers)

    selector = etree.HTML(responseIndex.text)

    # 从content开始解析
    resultContentJson = selector.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]/text()')[0]

    # 从ol节点开始解析
    resultOLJson = selector.xpath('//ol/li[1]/div/div[2]/div[1]/a/span[1]/text()')[0]

    print('从content开始解析:' + resultContentJson)
    #
    print('从ol节点开始解析:' + resultOLJson)
    #

    # 标题循环
    resultTitleJson = selector.xpath('//ol/li/div/div[2]/div[1]/a/span[1]/text()')

    resultJson = selector.xpath('//div[@class="info"]/div/a/span[1]/text()')

    for moviesTitle in resultTitleJson:
        print(moviesTitle)

    for moviesJson in resultJson:
        print(moviesJson)

注意了,上面写的

selector.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]/text()')[0]

selector.xpath('//ol/li[1]/div/div[2]/div[1]/a/span[1]/text()')[0]

效果是一样的!!做好笔记了,效果是一样的  写法不一样而已

 

输出结果:

 

六.举一反三,来抓取其他的字段,完整的代码

import requests
from lxml import etree

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}


def main():
    url = 'https://movie.douban.com/top250'

    responseIndex = requests.get(url, headers=headers)

    for itme in parse_reslut(responseIndex):
        print(itme)


def parse_reslut(responseIndex):
    selector = etree.HTML(responseIndex.text)

    resultInfo = selector.xpath('//ol[@class="grid_view"]/li')

    for getResult in resultInfo:
        movies_index = getResult.xpath('./div/div/em/text()')[0]
        movies_name = getResult.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0]
        movies_author = getResult.xpath('./div/div[2]/div[2]/p/text()')[0]
        movies_star = getResult.xpath('./div/div[2]/div[2]/div/span[2]/text()')[0]
        movies_num = getResult.xpath('./div/div[2]/div[2]/div/span[4]/text()')[0]
        moview_pic = getResult.xpath('./div/div/a/img/@src')[0]
        #
        # print(movies_index, movies_name, movies_star, movies_num, moview_pic, movies_author)

        #
        yield {
            'index': movies_index,
            'name': movies_name,
            'star': movies_star,
            'contentNum': movies_num,
            'pic': moview_pic,
            'author': movies_author
        }


main()

 

输出结果:

 

 

如果需要保存的本地文件的,网上应该有很多例子了,大家可以去参考相关的例子就可以了。今天先到这了。

 

 

 

 

  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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