Python网页爬虫爬取豆瓣Top250电影数据——Xpath数据解析
将使用Python网页爬虫爬取豆瓣电影Top250的电影数据，网页解析方法使用xpath。
获取数据后会将数据保存到CSV文件中。
一、分析网页，初步获取信息
1.1 查看原页面信息
首先打开豆瓣Top250电影页面，其网址是：https://movie.douban.com/top250。
可以发现，该页面展示的电影信息有中英文电影名、导演、主演、上映年份、国籍、电影类型、评分等。
下滑到页面底部，发现第一页有25部电影的数据，并且可以点击页码数实现页面跳转翻页。
第一页的URL：https://movie.douban.com/top250
第二页的URL：https://movie.douban.com/top250?start=25&filter=
第三页的URL：https://movie.douban.com/top250?start=50&filter=
…
第十页的URL：https://movie.douban.com/top250?start=225&filter=
URL中问号？之后的是页面参数，即页面参数有start和filter，第二页start=25，第三页start=50，相差25，而每一页刚好有25部电影。所以可以猜测start是指从第几部电影开始，我们可以令start=0(因为25-0=25)，得到URL：https://movie.douban.com/top250?start=0&filter=，访问该URL，刚好是第一页。所以这些URl就有共同的两个参数start和filter，通过改变参数可以定位到任意一部电影。
由于每次只能获取到25部电影，因此我们可以通过循环，改变start参数的值，每次循环都增加25，即步长为25，依次获取每一页的电影数据。第一页start=0，最后一页start=225。
1.2 查看网页源码和响应数据包
打开网页源码，在‘网络’下查看网页响应数据包，响应数据包中包含有返回的响应数据。所以需要寻找包含响应数据的响应数据包，在top250响应数据包的“响应”中可以看到其包含了我们想要获取的数据。
查看网页响应数据包的“标头”，网页的请求方法为GET方法，响应内容的类型是text/html，编码格式是utf-8。
在响应数据包的“负载”中可以看到参数start和filter。它们俩都是URL中的参数，可以将它们封装到字典中作为GET请求方法的data参数。
二、进行网页爬虫
初步获取信息之后，我们可以对网页发起请求，获取响应，并用xpath解析网页响应数据。
2.1 准备get请求方法的参数
- 指定URL：
url = 'https://movie.douban.com/top250'
- UA伪装
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/117.0.0.0 Safari/537.36 Edg/117.0.2045.41'}
- 将URL中的参数封装到字典中
# 将URL中的参数封装到字典中
data = {'start':'0','filter':'',
}
2.2 发起网页请求，获取响应
通过requests库的get方法对网页发起请求。
# 发起请求，获取网页响应
response = requests.get(url,headers=headers,data=data)
print(response.status_code) # 查看响应状态码，200
print(response.encoding) # 查看编码格式
print(response.text) # 查看响应内容
输出的响应内容如下，其类型是txt/html，其中包含我们需要的数据。
2.3 通过xpath方法解析网页响应数据
2.3.1 定位到数据所在标签
我们先打开网页源码，看看所需输出存放在哪些标签中。选中该页面所有的电影，定位到<ol class="grid_view">标签，说明该页面中所有的电影数据都包含在该标签中。该标签中的子标签li标签都对应着每一部电影的数据
而每一部电影的所有信息都在li标签的下一级标签<div class="item">中的第二个div子标签<div class="info">中。<div class="info">标签下的第一个div子标签中的a标签中包含电影详情页的链接和电影中英文标题；<div class="info">标签下的第二个div子标签下则包含了其他全部信息。
2.3.2 通过xpath方法按层级查找数据
定位好之后，我们就可以用etree对象的xpath方法解析xpath表达式，查找到相应的数据。
定位到电影的标题所在标签，右键复制它的xpath：
//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]
中文标题就在a标签下的第1个span标签中span[1]，然后我们通过/text()获取该标签中的文本信息。
# 获取中文电影标题
title_cn = data.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]/text()')
而在a标签下的第二个span标签中包含的文本内容是电影的英文标题，所以我们只需要将span[1]改成span[2]就可以获取到电影的英文标题。
# 获取英文电影标题
title_en = data.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[2]/text()')
接下来获取电影详情页的链接，链接就在a标签中，是a标签的属性href的属性值，我们复制a标签的xpath。
//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a
定位到a标签，要取其属性href的值需要在该路径后加上/@href 即可。
# 获取电影详情页链接
detail_link = data.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/@href')
将这些信息打印看一下是否获取到正确信息：
我们已经获取到了第一部电影的中英文标题和详情页链接，它们都各自存放在一个列表中。
接下来我们可以用同样的方法获取电影的导演、主演、上映年份、国籍、类型和评分。
# 获取电影的导演和主演
people = data.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[2]/p[1]/text()[1]')
# 获取电影的年份、国籍和类型
info = data.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[2]/p[1]/text()[2]')
# 获取电影的评分
score = data.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[2]/div/span[2]/text()')
打印数据：
可以发现，我们确实获取到了电影的数据，但是有些数据在存放在一起的并且有乱码，下面再进行数据处理。以上就是我们获取一部电影数据的过程，接下来要获取一个页面的全部电影信息，然后通过循环翻页，获取不同页面的电影信息。
2.4 获取一个页面中所有电影的信息
我们通过xpath已经获取了页面中一部电影的数据，想要获得页面中所有电影的数据就要扩大查找范围，即减少xpath表达式中的标签数量。前面说过，每个li标签下都是一部电影的信息，一个页面有25部电影，那么就应该有25个li标签，我们可以通过li标签的下标定位获取到不同的li标签。如，下面这个路径中li[1]代表第一个li标签。我们可以先定位到所有包含电影信息的li标签，在通过循环遍历每一个li标签获取电影数据。
注意：xpath中标签的下标索引是从1开始，而不是从0开始。
//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a
由于每一次取到的值存放到一个列表中，所以我们可以通过列表的下标索引取值。
# 取出所有电影的中文标题
titles_cn = data.xpath('//*[@id="content"]/div/div[1]/ol/li')
# 创建空列表用于存放所有标题
title_cn = []
for each in titles_cn:title = each.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0] # 每次获取到的数据存在一个列表中，通过下标索引取列表的值title_cn.append(title)
print(title_cn)
输出结果：
输出结果表明我们已经取到一个页面中的25部电影的中文标题。
然后，我们用同样的方法获取电影的其他信息。
# 取出所有电影的英文标题
titles_en = data.xpath('//*[@id="content"]/div/div[1]/ol/li')
# 创建空列表用于存放所有标题
title_en = []
for each in titles_en:# 每次获取到的数据存在一个列表中，通过下标索引取列表的值# 通过字符串的strip()方法去除字符串首尾的指定字符串title = each.xpath('./div/div[2]/div[1]/a/span[2]/text()')[0].strip('\xa0/\xa0') title_en.append(title)
print(title_en)
获取该页面全部电影的英文标题：
# 获取电影详情页链接
detail_link = data.xpath('//*[@id="content"]/div/div[1]/ol/li')
# 创建空列表用于存放所有标题
links = []
for each in detail_link :link = each.xpath('./div/div[2]/div[1]/a/@href')[0] links.append(link)
print(links)
# print(len(links))
获取该页面全部电影的详情页链接：
2.5 通过循环获取所有页面的电影数据
需要嵌套循环，第一层循环通过改变data参数中的start的值来实现翻页，第二层循环则是遍历每个页面中的li标签，获取该页面每一部电影的数据。
第一层循环，第一页的start=0，第二页的start=25……第十页的start=225，因此for循环range中的start=0，stop=226，step=25，即range(0:226:25)。
第二层循环就是遍历li标签，与2.4中一样。
三、将数据存储到本地CSV文件
需要导入CSV模块
import csv
打开CSV文件，写入每一列的列名，注意，写入的每一行数据都要封装到一个列表中。
fp = open('./douban_top250.csv','w',encoding='utf-8') # 以写入模式打开文件
writer = csv.writer(fp) # 实例化对象
# 写入每一列的列名
# 注意，写入的每一行数据都要封装到一个列表中
writer.writerow(['电影中文名', '电影英文名','电影详情页链接','导演','演员','上映年份','国籍','类型','评分','评分人数'])
通过循环获取数据，将每一部电影的数据作为一行写入文件中，写入的每一行数据都要封装到一个列表中。
# 将每一部电影的数据作为一行写入文件中writer.writerow([title1,title2,link,dirt,ac,year,nation,ftype,score,num])
四、本次程序的全部代码
# 导包
import requests
from lxml import etree # 用lxml解析器生成的对象中的xpath方法
from time import sleep
import csv
import numpy as np# 指定URL
# url = 'https://movie.douban.com/top250'
# 进行UA伪装
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/117.0.0.0 Safari/537.36 Edg/117.0.2045.41'}# 定义空列表存放电影数据
tiltes_cn = [] # 中文标题
titles_en = [] # 英文标题
links = [] # 详情页链接
director = [] # 导演
actors = [] # 演员
years = [] # 上映年份
nations = [] # 国籍
types = [] # 类型
scores = [] # 评分
rating_nums = [] # 评分人数fp = open('./douban_top250.csv','w',encoding='utf-8')
writer = csv.writer(fp)
writer.writerow(['电影中文名', '电影英文名','电影详情页链接','导演','演员','上映年份','国籍','类型','评分','评分人数'])for i in range(0,226,25):url = f'https://movie.douban.com/top250?start={i}&filter='# 将URL中的参数封装到字典中# data = {# 'start':i, # 设置start参数# 'filter':'',# }# 发起请求，获取网页响应response = requests.get(url,headers=headers# ,data=data)sleep(1)# print(response.status_code)# print(response.encoding)# print(response.text)# 获取响应内容html = response.text # 实例化一个etree对象data = etree.HTML(html)# 所有电影信息都在li标签下，所以我们可以先定位到li标签，在通过循环获取每一个li标签中的信息li_list = data.xpath('//*[@id="content"]/div/div[1]/ol/li')# 通过循环遍历每一页中的所有li标签，获取该页面所有电影的数据for each in li_list:# 中文标题title1 = each.xpath('./div/div[2]/div[1]/a/span[1]/text()')[0]tiltes_cn.append(title1)# 英文标题# 每次获取到的数据存在一个列表中，通过下标索引取列表的值# 通过字符串的strip()方法去除字符串首尾的指定字符串title2 = each.xpath('./div/div[2]/div[1]/a/span[2]/text()')[0].strip('\xa0/\xa0')titles_en.append(title2)# 链接link = each.xpath('./div/div[2]/div[1]/a/@href')[0] links.append(link)# 导演、主演info1 = each.xpath('./div/div[2]/div[2]/p[1]/text()[1]')[0].strip() # 通过strip方法去除字符串的前后空格split_info1 = info1.split('\xa0\xa0\xa0') # 通过指定字符串分割字符串dirt = split_info1[0].strip('导演: ')director.append(dirt)# 有些电影的主演为空，所以需要进行条件判断# 如果导演和主演信息都有，则获取主演信息if len(split_info1) == 2:ac = split_info1[1].strip('主演: ')actors.append(ac)# 如果没有主演信息，则将其信息设置为空else:actors.append(np.nan)# 年份、国籍、类型info2 = each.xpath('./div/div[2]/div[2]/p[1]/text()[2]')[0].strip() # 去除字符串首尾的空格split_info2 = info2.split('\xa0/\xa0') # 通过字符串分割获取字符串中的年份、国籍和类型# print(split_info)year = split_info2[0]nation = split_info2[1]ftype = split_info2[2]years.append(year)nations.append(nation)types.append(ftype)# 电影评分score = each.xpath('./div/div[2]/div[2]/div/span[2]/text()')[0]scores.append(score)# 获取电影打分人数num = each.xpath('./div/div[2]/div[2]/div/span[4]/text()')[0].strip('人评价')rating_nums.append(num)writer.writerow([title1,title2,link,dirt,ac,year,nation,ftype,score,num])print(f'————————————第{int((i/25)+1)}页爬取完毕！——————————————')fp.close() # 写入完成后，关闭文件
print('——————————————————————————————————爬虫结束！！！！！————————————————————————————————————————————————')CSV文件中保存的数据：
总结
本次程序只爬取了豆瓣top250电影的展示页面的数据，没有爬取电影详情页的数据。在前面我们已经获取了每一部电影详情页的链接links，如果想要爬取电影的详情页，可以通过for循环遍历列表links，对每一个详情页发起请求，从而获取电影详情页的数据并进行解析。
