思路:使用Xpath爬取豆瓣即将上映的电影评分,首先获取要爬取页面的url,查看页面源代码是否有我们想要的数据,如果有,直接获取HTML文件后解析HTML内容就能提取出我们想要的数据。如果没有则需要用到浏览器抓包工具,二次才能爬取到。其次观察HTML代码的标签结构,通过层级关系找到含有我们想要的数据的标签,提取出数据。最后保存我们的数据。
1、获取url
这里我们可以看到,有的电影是暂时没有评分的,等一下爬出的数据要做处理。
2、观察页面源代码
数据存放在同一级的多个li标签中,我们只需要利用相对查找,循环遍历就能找到所有的libi'a
3、快速获取Xpath的方法
找到想要的标签-->右键-->复制-->复制完整的Xpath
4、完整代码和结果
# 获取页面源代码
# 提取和解析数据
import requests
from lxml import etree
import csv
url = 'https://movie.douban.com/'
# headers每个人的不一样,要去看响应头
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url,headers=headers)
# print(response.text)
html = etree.HTML(response.text)
movie_list = html.xpath('/html/body/div[3]/div[1]/div/div[2]/div[1]/div[2]/ul/li')
# 初始化一个列表来存储电影数据字典
movies_dict = []
# 提取数据
for movie in movie_list:
title_elements = movie.xpath('./@data-title') # ./相对路径
if title_elements: # 确保列表不为空
name = title_elements[0]
else:
name = "暂无标题"
score_elements = movie.xpath('./ul/li[3]/span[2]/text()')
if score_elements: # 确保列表不为空
score = score_elements[0]
else:
score = "暂无评分"
# print(name, score)
movie_dict = {
'name':name,
'score':score
}
movies_dict.append(movie_dict)
f = open('movies.csv','w',encoding='utf-8',newline='')
writer = csv.DictWriter(f,fieldnames=['name','score'])
writer.writeheader()
for movie in movies_dict:
writer.writerow(movie)
f.flush()
print("结束!")
response.close()