Python网页爬虫爬取豆瓣Top250电影数据——Xpath数据解析

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。
在这里插入图片描述
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。
在这里插入图片描述
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。
在这里插入图片描述

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。
在这里插入图片描述
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。
在这里插入图片描述

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。
在这里插入图片描述

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
在这里插入图片描述
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。
在这里插入图片描述

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()')

在这里插入图片描述
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。
在这里插入图片描述

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:
在这里插入图片描述
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。
在这里插入图片描述
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:
在这里插入图片描述

# 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:
在这里插入图片描述

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:
在这里插入图片描述

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。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/31352.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

操作系统期末快速复习(概念)

文章目录 第一章&#xff1a;操作系统引论操作系统的目标是什么&#xff1f;分时系统是什么&#xff1f;实时系统是什么&#xff1f;分时系统和实时系统的比较操作系统的基本特征是什么&#xff1f;操作系统的主要功能&#xff1f;***重要第二章&#xff1a;进程管理程序的顺序…

【编译报错】syntax error near unexpected token `(‘

背景&#xff1a; 在android.bp中是这样写的 cflags: ["-DEXPORT__attribute__((visibility(\"default\")))","-D__ANDROID_VNDK__",],想转换成android.mk&#xff1a; LOCAL_CFLAGS : -DEXPORT__attribute__((visibility("default")…

ClassCastException(类转换异常)可能原因和解决方法总结

ClassCastException(类转换异常)可能原因和解决方法总结 大家好&#xff0c;我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编&#xff0c;也是冬天不穿秋裤&#xff0c;天冷也要风度的程序猿&#xff01;ClassCastException是Java中常见的异常之一&#xff0c…

Ant design Vue 表格中显示不同的状态(多条件显示)

比如&#xff1a;后端一个字段有多种状态&#xff1a; 那么后端接口会返回&#xff1a;0 或者 1 或者 2 其中一个&#xff0c;前端需要展示的是对应的文字&#xff0c;像简单的只有两个状态的可以直接在列里面操作&#xff1a; {title: 状态,dataIndex: usable,customRender: …

Windows10任务栏卡顿解决方案

一、重新启动任务资源管理器 右键底部任务栏选择“任务管理器”&#xff1b;按快捷键“CtrlShiftEsc”&#xff1b;搜索框搜索“任务管理器”并单击“打开”&#xff1b;“WinX”打开开始菜单附属菜单&#xff0c;在列表中选择“任务管理器” &#xff1b;按下“ctrlaltdelete”…

网上考试系统设计文档

网上考试系统设计文档 1. 引言 1.1 目的 本设计文档旨在为“网上考试系统”的开发提供详细的指导方案。系统旨在提供一个全面的在线考试平台&#xff0c;支持在线考试、考试管理以及系统设置等功能&#xff0c;以满足教育机构和教师对考试流程的高效管理和优化需求。 1.2 范…

黄仁勋子女经历曝光:不卷名校,加入英伟达前开餐厅当厨子...

上周&#xff0c;黄仁勋脱下他那标志性的皮夹克&#xff0c;换上黑黄色的学位服&#xff0c;面对加州理工大学近600名毕业生发表演讲。 他提到&#xff0c;“忍受痛苦、应对挫折和看到机遇是我的超能力。” 面对美国媒体的采访&#xff0c;他多次回忆起自己充满逆境的童年&am…

【numpy】知识点和内容的详细解答-2024年6月21日

用户: ∗∗ 在 NumPy 中&#xff0c;ndarray 对象&#xff08;即多维数组&#xff09;要求数组中所有元素的类型必须相同&#xff08;因为所有元素的类型都必须相同&#xff0c;具有了一定的同一性&#xff0c;这就在最大程度上面优化了内存和计算效率&#xff09;&#xff0c;…

【SQL】drop、delete 与 truncate 的区别

在数据库管理中&#xff0c;DROP、DELETE 和 TRUNCATE 是用于删除数据或表的命令&#xff0c;但它们有不同的用途和效果。以下是它们的详细区别&#xff1a; 1. DROP DROP 语句用于删除整个数据库对象&#xff08;如表、视图、索引等&#xff09;。一旦对象被删除&#xff0c…

ipython一些使用方法

使用自动补全和Tab键&#xff1a; IPython 提供了强大的自动补全功能。当你开始键入一个变量名或函数名时&#xff0c;按下 Tab 键会显示可能的补全选项。如果有多个选项&#xff0c;再次按下 Tab 键会列出所有选项。使用历史命令&#xff1a; 你可以使用 %history 命令查看之前…

CVPR 2024 以物体为中心的多感知具身大语言模型

CVPR 2024发表了关于多感知以对象为中心的具身大型语言模型&#xff08;MultiPLY&#xff09;的研究论文&#xff0c;该模型在3D环境中进行编码和交互。 提出MultiPLY是一个多感知的具身大型语言模型&#xff08;LLM&#xff09;&#xff0c;能够将视觉、听觉、触觉和温度等多…

MySQL入门学习-连接查询.INNER JOIN

表的连接在数据库中扮演着至关重要的角色。当我们处理多个表之间的关联数据时&#xff0c;连接查询是必不可少的。 假设我们有两个表 A 和 B&#xff0c;它们有一个共同的字段。现在&#xff0c;我们想从 A 和 B 中选择出所有匹配的数据。这就是连接查询的作用。 以下是一个基本…

CSS样式与视觉效果讲解

文章目录 CSS样式与视觉效果讲解1. 样式与视觉效果1.1 颜色与背景&#xff08;Colors and Backgrounds&#xff09;1.1.1 颜色&#xff08;Color&#xff09;1.1.2 背景颜色&#xff08;Background Color&#xff09;1.1.3 背景图片&#xff08;Background Image&#xff09;1.…

本地快速部署大语言模型开发平台Dify并实现远程访问保姆级教程

文章目录 前言1. Docker部署Dify2. 本地访问Dify3. Ubuntu安装Cpolar4. 配置公网地址5. 远程访问6. 固定Cpolar公网地址7. 固定地址访问 前言 本文主要介绍如何在Linux Ubuntu系统使用Docker快速部署大语言模型应用开发平台Dify,并结合cpolar内网穿透工具实现公网环境远程访问…

深度学习500问——Chapter11:迁移学习(4)

文章目录 11.3.8 流形学习方法 11.3.9 什么是finetune 11.3.10 finetune为什么有效 11.3.11 什么是网络自适应 11.3.12 GAN在迁移学习中的应用 参考文献 11.3.8 流形学习方法 什么是流行学习&#xff1f; 流行学习自从2000年在Science上被提出来以后&#xff0c;就成为了机器…

常见的堆类型,介绍数据结构的存储结构

堆&#xff08;Heap&#xff09; 是一种特殊的树形数据结构&#xff0c;通常是一个近似的完全二叉树。它通常用于实现优先队列&#xff0c;其中每个元素都有一个“优先级”。在堆中&#xff0c;父节点的优先级总是大于或等于&#xff08;在最大堆中&#xff09;或小于或等于&am…

Java垃圾回收机制的深入解析

Java垃圾回收机制的深入解析 大家好&#xff0c;我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编&#xff0c;也是冬天不穿秋裤&#xff0c;天冷也要风度的程序猿&#xff01; 在Java编程中&#xff0c;垃圾回收机制&#xff08;Garbage Collection&#xff…

数据分析:解锁业务洞察与决策优化的关键

数据分析&#xff1a;解锁业务洞察与决策优化的关键 企业面临的最大挑战之一是如何从海量数据中提取有价值的信息&#xff0c;以指导决策和优化业务流程。数据分析作为一门科学和艺术&#xff0c;提供了一套强大的工具和方法&#xff0c;帮助我们理解数据&#xff0c;发现模式…

数据链路层【Linux网络复习版】

目录 一、数据链路层主要解决的是什么问题&#xff1f; 二、什么是以太网&#xff1f; 三、什么是MAC地址&#xff1f; 四、以太网帧的格式是什么&#xff1f; 五、 什么是MTU&#xff1f; 六、MTU和分片 MTU对IP协议的影响&#xff1f; 如何分片&#xff1f; 如何组装&a…

服务器安装JDK,Maven等常用环境

生产环境部署服务器需要安装一些常用工具&#xff0c;下面我就把常用的jdk&#xff0c;maven&#xff0c;node&#xff0c;git的安装方法和步骤演示 一、安装JDK环境 执行如下命令&#xff0c;安装JDK,所有命令都是 复制&#xff0c;粘贴&#xff0c;回车 yum install -y jav…