抓取目标:
豆瓣音乐top250的歌名、作者(专辑)、评分和歌曲链接
使用工具:
requests + lxml + xpath。
我认为这种工具组合是最适合初学者的,requests比python自带的urllib库好用,功能更强大。关于requests的使用方法,建议看它的官方文档:
http://docs.python-requests.org/zh_CN/latest/user/quickstart.html
使用lxml来解析网页,速度是最快的,至少比BeatifulSoup快。关于lxml的使用方法,建议看这个:
而xpath更是傻白甜的使用方式:直接在浏览器中复制即可,如果想要掌握xpath更具体的语法,建议看w3school的xpath教程:
http://www.w3school.com.cn/xpath/
首先目标url是: https://music.douban.com/top250?start=0
![](http://upload-images.jianshu.io/upload_images/3428666-8991ad5aa0ecc27c.png?imageMogr2/auto-orient/strip|imageView2/2/w/640/format/webp)
点击下一页,我们多观察几个页面的url:
![](http://upload-images.jianshu.io/upload_images/3428666-9286014eb93ca20e.png?imageMogr2/auto-orient/strip|imageView2/2/w/640/format/webp)
![](http://upload-images.jianshu.io/upload_images/3428666-a662a53fa6d45f0a.png?imageMogr2/auto-orient/strip|imageView2/2/w/640/format/webp)
我们会发现url的start=是以25的倍数增长的,起始为start=0,然后是start=25,每页25首音乐,一共十页。
所以,我们可以使用一个for循环来得出这十个页面的url:
for i in range(10):
# 一共有10个页面,每个页面25首音乐
url = "https://music.douban.com/top250?start={}".format(i * 25)
关于format()函数的使用方法,可以看菜鸟教程上的讲解:
http://www.runoob.com/python/att-string-format.html
关于range()函数的使用方法,可以看菜鸟教程上的讲解:
http://www.runoob.com/python/python-func-range.html
然后我们使用requests.get()来进行网页请求:
import requests
headers = {"User_Agent": "Mozilla/5.0(compatible; MSIE 5.5; Windows 8)"}
data = requests.get(url, headers=headers).text
使用lxml来解析网页:
from lxml import etree
s = etree.HTML(data)
接下来我们开始提取数据,打开目标页面,将每首音乐的完整信息的xpath信息复制下来:
![](http://upload-images.jianshu.io/upload_images/3428666-b30804e5be3c582e.png?imageMogr2/auto-orient/strip|imageView2/2/w/640/format/webp)
重复这样的操作,多复制几首音乐的xpath信息,观察它的规律:
//*[@id="content"]/div/div[1]/div/table[1]
//*[@id="content"]/div/div[1]/div/table[2]
//*[@id="content"]/div/div[1]/div/table[3]
这样子规律就很明显了,每首音乐就是table后的序号不同。只要我们将序号去掉,就可以提取所有音乐的全部信息了:
# 歌曲整体的xpath
musics = s.xpath('//*[@id="content"]/div/div[1]/div/table')
我们再使用同样的方法来获取歌名的xpath信息:
![](http://upload-images.jianshu.io/upload_images/3428666-0a6d92a8fab558ca.png?imageMogr2/auto-orient/strip|imageView2/2/w/640/format/webp)
多复制几个歌名信息的xpath来对比一下:
# 歌名的xpath
# //*[@id="content"]/div/div[1]/div/table[1]/tbody/tr/td[2]/div/a
# //*[@id="content"]/div/div[1]/div/table[2]/tbody/tr/td[2]/div/a
这是注意一下, 上面的xpath路径中,/tbody是多余的,我们要将其删掉,不然会出错,所以,有时候直接在浏览器复制xpath信息也不一定靠谱,这里要注意一下。
这样我们就可以提取出每首歌的歌名:
for music in musics:
music_name = music.xpath('./tr/td[2]/div/a/text()')[0].strip()
如果不加[0],我们得到的结果将是一个list类型,每个结果都被中括号[]裹起来,比较碍眼,所以使用[0]取出list的第一个值就可以了。strip()函数可以去除多余的空格。
还有,音乐的链接和名字的xpath路径是相同的,只是一个取href值,一个取text值。
所以每首歌的链接如下:
for music in musics:
music_name = music.xpath('./tr/td[2]/div/a/@href')[0]
我们再使用同样的方法复制作者(专辑)的xpath信息:
![](http://upload-images.jianshu.io/upload_images/3428666-5553dc18dbcc13d8.png?imageMogr2/auto-orient/strip|imageView2/2/w/640/format/webp)
多复制几个作者的xpath信息来对比一下:
# //*[@id="content"]/div/div[1]/div/table[1]/tbody/tr/td[2]/div/p[1]
# //*[@id="content"]/div/div[1]/div/table[2]/tbody/tr/td[2]/div/p[1]
同样要将/tbody从xpath路径中删掉,这样我们可以提取到每首歌的作者信息:
for music in musics:
music_author = music.xpath('./tr/td[2]/div/p[1]/text()')[0].strip()
我们还使用同样的方法复制评分的xpath信息:
![](http://upload-images.jianshu.io/upload_images/3428666-a3f3d84e273a3035.png?imageMogr2/auto-orient/strip|imageView2/2/w/640/format/webp)
多复制几个评分的xpath信息来对比一下:
# //*[@id="content"]/div/div[1]/div/table[1]/tbody/tr/td[2]/div/div/span[2]
# //*[@id="content"]/div/div[1]/div/table[2]/tbody/tr/td[2]/div/div/span[2]
同理,我们就可以提取出每首歌的评分了:
for music in musics:
music_score = music.xpath('./tr/td[2]/div/div/span[2]/text()')[0]
到现在,我们已经获取了我们想要的所有信息。现在来整合一下代码,存储为TXT文件:
import requests
from lxml import etree
import time
with open("豆瓣音乐top250.txt", "w", encoding="utf-8") as f:
for i in range(10):
# 一共有10个页面,每个页面25首音乐
url = "https://music.douban.com/top250?start={}".format(i * 25)
headers = {"User_Agent": "Mozilla/5.0(compatible; MSIE 5.5; Windows 8)"}
data = requests.get(url, headers=headers).text
s = etree.HTML(data)
# 歌曲整体的xpath
musics = s.xpath('//*[@id="content"]/div/div[1]/div/table')
time.sleep(2)
for music in musics:
music_name = music.xpath('./tr/td[2]/div/a/text()')[0].strip() # 歌名
music_author = music.xpath('./tr/td[2]/div/p[1]/text()')[0].strip() # 作者
music_score = music.xpath('./tr/td[2]/div/div/span[2]/text()')[0] # 评分
music_href = music.xpath('./tr/td[2]/div/a/@href')[0] # 链接
f.write("{} {} {} {}
".format(music_name, music_author, music_score, music_href))
如上,一共23行代码。
爬取结果如下:
![](http://upload-images.jianshu.io/upload_images/3428666-8e93df0607663845.png?imageMogr2/auto-orient/strip|imageView2/2/w/640/format/webp)
本来我想存为CSV文件的,结果发现有的歌曲有多个歌手,而且几个歌手之间是用逗号(,)分开的,这就和CSV中的逗号产生了混淆,导致结果比较错乱。
好吧,我暂时不知道存为CSV格式时,怎样消除其本身携带的逗号产生的影响。
当然,同样的爬取思路,我们还可以爬取豆瓣电影top250、豆瓣图书top250。只需要将url和xpath路径修改一下就可以了。
每天学习一点点,每天进步一点点。