工具:Python 3.6.5、PyCharm开发工具、Windows 10 操作系统、谷歌浏览器
目的:爬取豆瓣电影排行榜中电影的title、链接地址、图片、评价人数、评分等
语法要点:
xpath语法:
谷歌浏览器安装 xpath helper插件:帮助我们从elements中定位数据
1、选择节点(标签)
(1)、/html/head/meta:能够选中html下的所有的meta标签
(2)、//li:当前页面上的所有的li标签
(3)、/html/head//link:head下的所有link标签
2、//:能够从任意节点开始选择
(1)、//li:当前页面上的所有的li标签
(2)、/html/head//link:head下的所有的link标签
3、@符号的用途
(1)、选择具体某个元素://div[@class='feed']/ul/li,选择class='feed'的div下的ul下的li
(2)、a/@href:选择a的href的值
4、获取文本
(1)、/a/text():获取a下的文本
(2)、/a//text():获取a下的所有文本
示例:
lxml语法:
1、安装:pip install lxml
2、使用
from lxml import etree
element = etree.HTML("html字符串")
element.xpath("")
代码:1 from lxml import etree
2 import requests
3
4 url = "https://movie.douban.com/chart"
5
6 headers = {
7 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 Safari/537.36"
8 }
9 response = requests.get(url,headers=headers)
10 html_str = response.content.decode()
11
12 #print(html_str)
13
14 html = etree.HTML(html_str)
15 print(html)
16
17 #1.获取所有的电影的URL地址
18 #url_list = html.xpath("//div[@class='indent']/div/table//div[@class='pl2']/a/@href")
19 #print(url_list)
20
21 #2.所有图片的地址
22 #img_list = html.xpath("//div[@class='indent']/div/table//a[@class='nbg']/img/@src")
23 #print(img_list)
24 ret1 = html.xpath("//div[@class='indent']/div/table")
25 print(ret1)
26 for table in ret1:
27 item = {}
28 item["title"] = table.xpath(".//div[@class='pl2']/a/text()")[0].replace("/","").strip()
29 item["href"] = table.xpath(".//div[@class='pl2']/a/@href")[0]
30 item["img"] = table.xpath(".//a[@class='nbg']/img/@src")[0]
31 item["comment_num"] = table.xpath(".//span[@class='pl']/text()")[0]
32 item["rating_num"] = table.xpath(".//span[@class='rating_nums']/text()")[0]
33 print(item)
34
运行效果: