前两篇主要给大家介绍了的xpath的基础知识,以及的xpath的常用操作,按照计划,今天是的xpath的最后一篇文章,给大家介绍一个用的xpath爬取豆瓣音乐的实战项目。学以致用,方能让我们快速掌握XPath的语法功能。
爬取目标
本次我们需要爬取豆瓣音乐前250条,打开豆瓣音乐:https ://http://music.douban.com/top250 。
爬取的内容有:
- 音乐标题
- 音乐评分与评价人数
- 音乐链接
- 图片地址
下面就让我们根据任务要求,一步一步的来编写代码,最后再将代码整合,实现功能。
1.获取音乐标题
打开网址,按下F12,然后查找标题,右键弹出菜单栏复制==>复制Xpath
这里就是我们想获取音乐标题的的xpath:// * [@ ID = “内容”] / DIV / DIV [1] / DIV /表[1] / tbody的/ TR / TD [2] / DIV /一个,具体实现爬取音乐标题的代码如下:
from lxml import etree
import requests
url = 'https://music.douban.com/top250'
html = requests.get(url).text
s = etree.HTML(html)
title = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tbody/tr/td[2]/div/a')
print(title)
运行代码,结果居然是空的。这是为什么呢?
这里需要注意,浏览器复制的的xpath只能作参考,浏览器经常会在自己里面增加多余的TBODY标签,我们需要手动把这个标签(/ TBODY)删掉,然后再运行代码,结果如下:
[<Element a at 0x34f2348>, <Element a at 0x34f2308>]
此时,说明标题被获取到了,因为要获取标题文本,所以的xpath表达式要追加/文本(),此外,这个s.path返回的是一个集合,且集合中只有一个元素所以我再追加一个[ 0],新的表达式为
title = s.xpath('//[@id="content"]/div/div[1]/div/table/tr/td[2]/div/a/text()')[0]
再次运行代码得到结果:
我们唱歌。我们跳舞。我们偷东西。
正是我们想要的标题。
2.获取音乐评分与评价人数
和1中获取xpath的方法一样,此时的xpath为:// * [@ id =“content”] / div / div [1] / div / table [1] / tr / td [2] / div / DIV /跨度[3] /文本()具体代码如下:
from lxml import etree
import requests
url = 'https://music.douban.com/top250'
html = requests.get(url).text
s = etree.HTML(html)
title = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div/a/text()')[0]
score = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div/div/span[2]/text()')[0]
numbers = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div/div/span[3]/text()')[0]
print(title,score,numbers)
运行结果:
We Sing. We Dance. We Steal Things.
9.1
(
106711人评价
)
3.获取音乐链接
先复制标题的的xpath:// * [@ ID = “内容”] / DIV / DIV [1] / DIV /表[1] / tbody的/ TR / TD [2] / DIV / A,想获取音乐链接HREF这里需要在xpath的末尾加入/ @ HREF标签,就可以提取当前路径标签下的属性值。
代码如下:
from lxml import etree
import requests
url = 'https://music.douban.com/top250'
html = requests.get(url).text
s = etree.HTML(html)
href = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div/a/@href')[0]
title = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div/a/text()')[0]
score = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div/div/span[2]/text()')[0]
numbers = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div/div/span[3]/text()')[0]
print(href,title,score,numbers)
运行结果:
https://music.douban.com/subject/2995812/
We Sing. We Dance. We Steal Things.
9.1
(
106711人评价
)
4.获取图片地址
找到图片,复制他的xpath的地址:// * [@ ID = “内容”] / DIV / DIV [1] / DIV /表[1] / tbody的/ TR / TD [1] /一个/ IMG,还是按照老套路,代码如下:
from lxml import etree
import requests
url = 'https://music.douban.com/top250'
html = requests.get(url).text
s = etree.HTML(html)
href = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div/a/@href')[0]
title = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div/a/text()')[0]
score = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div/div/span[2]/text()')[0]
numbers = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div/div/span[3]/text()')[0]
imgpath = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[1]/a/img/@src')[0]
print(href,title,score,numbers,imgpath)
运行结果:
https://music.douban.com/subject/2995812/
We Sing. We Dance. We Steal Things.
9.1
(
106711人评价
)
https://img3.doubanio.com/view/subject/s/public/s2967252.jpg
到这里,代码已经可以实现基本功能,但只能获取一条数据,如果想获取多条数据呢?
5.获取多条数据
我们第二条数据,第三副本条数据,第四条数据的XPath的
title = s.xpath('//*[@id="content"]/div/div[1]/div/table[1]/tr/td[2]/div/a/text()')[0]
title2 = s.xpath('//*[@id="content"]/div/div[1]/div/table[2]/tr/td[2]/div/a/text()')[0]
title3 = s.xpath('//*[@id="content"]/div/div[1]/div/table[3]/tr/td[2]/div/a/text()')[0]
title4 = s.xpath('//*[@id="content"]/div/div[1]/div/table[4]/tr/td[2]/div/a/text()')[0]
对比它们的XPath中,可以发现只有表序号不一样,所以我们可以去掉序号,就可以得到通用的XPath的信息,具体代码如下:
from lxml import etree
import requests
url = 'https://music.douban.com/top250'
html = requests.get(url).text
s = etree.HTML(html)
titles = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div/a/text()')
for title in titles:
print(title.strip())
运行结果:
We Sing. We Dance. We Steal Things.
Viva La Vida
华丽的冒险
范特西
後。青春期的詩
是时候
Lenka
Start from Here
旅行的意义
太阳
Once (Soundtrack)
Not Going Anywhere
American Idiot
OK
無與倫比的美麗
亲爱的...我还不知道
城市
O
Wake Me Up When September Ends
叶惠美
七里香
21
My Life Will...
寓言
你在烦恼什么
同理,我们可以获取其他信息:链接地址,评分,评价人数以及照片,现在我们可以同时获取多条数据了每页数据是25条,完整代码如下:
from lxml import etree
import requests
url = 'https://music.douban.com/top250'
html = requests.get(url).text
s = etree.HTML(html)
hrefs = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div/a/@href')
titles = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div/a/text()')
scores = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div/div/span[2]/text()')
numbers = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div/div/span[3]/text()')
imgs = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[1]/a/img/@src')
for i in range(25):
print(hrefs[i],titles[i],scores[i],numbers[i],imgs[i])
运行代码,可以得到一大批结果,我就不展示了,有兴趣可以直接复制代码运行。
到这里,我们发现了一个问题,每一个XPath的路径特别长,能不能精简一下代码呢?
6.精简的XPath路径
hrefs = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div/a/@href')
titles = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div/a/text()')
scores = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div/div/span[2]/text()')
numbers = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[2]/div/div/span[3]/text()')
imgs = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr/td[1]/a/img/@src')
观察发现获取几个信息的xpath的前缀都是// * [@ ID = “内容”] / DIV / DIV [1] / DIV /表[1] / tbody的/ TR,那我们能不能把这些东西提取出来,让后面的不同部分自己追加呢当然是可以的,精简代码如下?
from lxml import etree
import requests
url = 'https://music.douban.com/top250'
html = requests.get(url).text
s = etree.HTML(html)
trs = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr') #先提取tr之前的节点集合
for tr in trs: #遍历tr
href = tr.xpath('./td[2]/div/a/@href')[0] #注意新节点是tr下的节点
title = tr.xpath('./td[2]/div/a/text()')[0]
score = tr.xpath('./td[2]/div/div/span[2]/text()')[0]
number = tr.xpath('./td[2]/div/div/span[3]/text()')[0]
img = tr.xpath('./td[1]/a/img/@src')[0]
print(href,title,score,number,img)
得到的结果和之前是一样的,另外这样写不用关每个页面到底有多少条数据,只管查就行了。
但是,到了这里,代码也只是爬取了一个页面的数据,我们现在想爬取多个页面的数据,该怎么办呢?
7.获取多页面数据
观察一下翻页路径:
https://music.douban.com/top250?start=0 https://music.douban.com/top250?start=25 https://music.douban.com/top250?start=50
我们可以发现页面只是后面开始参数发生了改变,且增长为每次25,并且250条数据正好是10页,所以,我们可以遍历页面,代码如下:
for i in range(10):
url = 'https://music.douban.com/top250?start={}'.format(i*25)
print(url)
运行结果:
https://music.douban.com/top250?start=0
https://music.douban.com/top250?start=25
https://music.douban.com/top250?start=50
https://music.douban.com/top250?start=75
https://music.douban.com/top250?start=100
https://music.douban.com/top250?start=125
https://music.douban.com/top250?start=150
https://music.douban.com/top250?start=175
https://music.douban.com/top250?start=200
https://music.douban.com/top250?start=225
这正是我们要的结果,最后我们把代码整合在一起。
8.整合代码
from lxml import etree
import requests
import json
import re
# 获取页面地址
def getUrl():
for i in range(10):
url = 'https://music.douban.com/top250?start={}'.format(i*25)
scrapyPage(url)
#爬取每页数据
def scrapyPage(url):
html = requests.get(url).text
s = etree.HTML(html)
trs = s.xpath('//*[@id="content"]/div/div[1]/div/table/tr')
for tr in trs:
href = tr.xpath('./td[2]/div/a/@href')[0]
title = tr.xpath('./td[2]/div/a/text()')[0].strip()
score = tr.xpath('./td[2]/div/div/span[2]/text()')[0].strip()
numbers = tr.xpath('./td[2]/div/div/span[3]/text()')[0].strip().replace(" ","").replace("n","")
img = tr.xpath('./td[1]/a/img/@src')[0].strip()
items = [href,title,score,numbers,img]
with open('temp.txt', 'a', encoding='utf-8') as f:
f.write(json.dumps(items, ensure_ascii=False) + 'n')
if '__main__':
getUrl()
运行代码,在同一个目录下生成了TEMP.TXT,里面保存的就是爬取的信息。
总结
今天给大家介绍了一个用的xpath爬取豆瓣音乐的实战项目,爬取了音乐标题,评分和评价人数,链接以及图片。我们先实现爬取单条信息代码,再实现爬取单页面信息,最后实现爬取豆瓣音乐前250条信息,每一步都环环相扣,联系紧密,对大家熟练掌握的xpath很有帮助。