[Python] 豆瓣电影top250爬虫

1.分析

<li><div class="item">电影信息</div></li>

每个电影信息都是同样的格式，毕竟在服务器端是用循环生成的html，这样解析出电影的信息就很简单了

豆瓣电影top250的翻页也很简单，直接就在url上修改一个start就行了，start代表这一页从start+1开始

比如 https://movie.douban.com/top250?start=0&filter=， 就是top1到top25，每页25部电影，翻页把start+=25就行了，一直加到225

2.获取网页的html

使用python内置的urllib库

不过得到的网页中并没有中文，而是会出现这样的字符串

xe8xaexa9xe5xa5xbdxe7x94xb5xe5xbdxb1xe6x9dxa5xe6x89xbexe4xbdxa0

这是中文的utf-8编码的16进制版本

先将x去除，变成

e8aea9e5a5bde794b5e5bdb1e69da5e689bee4bda0

然后每6位是一个中文字符

E8 AE A9 让

E5 A5 BD 好

E7 94 B5 电

。。。

全文是【让好电影来找你】

可以在这个网站上输入16进制的UTF-8编码来查找对应字符

def GetHtml(url):
    print('Url : '+url)
    f = request.urlopen(url.format(start))
    data = f.read()
    htmls.append(data.decode('utf-8'))

3.解析网页

简单提下XPath的语法

nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

先解析出<div class="item">，再对这个div中的内容进行第二次解析

 这里值得注意的是打印一个element内的html要用etree.tostring()

tree = etree.HTML(str)
result = tree.xpath('//div[@class="item"]')  //获取所有<div class="item">元素
print(etree.tostring(result[0], encoding='unicode')) //随便打印一个

打印出来的就是这样的

<div class="item">
                <div class="pic">
                    <em class="">1</em>
                    <a href="https://movie.douban.com/subject/1292052/">
                        <img width="100" alt="肖申克的救赎" src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg" class=""/>
                    </a>
                </div>
                <div class="info">
                    <div class="hd">
                        <a href="https://movie.douban.com/subject/1292052/" class="">
                            <span class="title">肖申克的救赎</span>
                                    <span class="title"> / The Shawshank Redemption</span>
                                <span class="other"> / 月黑高飞(港)  /  刺激1995(台)</span>
                        </a>


                            <span class="playable">[可播放]</span>
                    </div>
                    <div class="bd">
                        <p class="">
                            导演: 弗兰克·德拉邦特 Frank Darabont   主演: 蒂姆·罗宾斯 Tim Robbins /...<br/>
                            1994 / 美国 / 犯罪 剧情
                        </p>


                        <div class="star">
                                <span class="rating5-t"/>
                                <span class="rating_num" property="v:average">9.6</span>
                                <span property="v:best" content="10.0"/>
                                <span>996499人评价</span>
                        </div>

                            <p class="quote">
                                <span class="inq">希望让人自由。</span>
                            </p>
                    </div>
                </div>
            </div>

以上<div class="item">已经拿到了，开始进行第二次解析（可以先用个list把这些div存起来，然后再弄个线程做第二次的解析，那是以后的事了，这里先不管）

 记录下这里踩的坑

print(result[0].xpath('//img/@src')) //会返回整个页面的img的src

这个奇怪的问题简直了，我甚至觉得是这个包的bug，我从result[0]那么一小段html用xpath查东西居然能查到整个html的，让我觉得我虽然是用result[0]调用的xpath，但内部没准根本不care谁调用的，一律使用最开始etree.HTML() 的到的这个对象调用xpath

我的解决办法是改下xpath，指定从div开始找，或者是用 “."表示从当前节点开始找

print(result[0].xpath('div//img/@src'))
print(result[0].xpath('.//img/@src'))

下面这段代码中的XPath可能不够简洁，但It's just works，毕竟这是第一个版本，随着我对python的熟练，还会继续改动

主要是将一个p标签下的字符串连接起来并去除空格，转换各种特殊字符

需要注意的是XPath返回的基本都是list类型的，很多博客里都直接调方法都没加下标取值，天知道是不是版本不一样

def ProcessHtml(html):
    tree = etree.HTML(html)
    items = tree.xpath('//div[@class="item"]')
    
    for item in items:
        index = item.xpath('div//em/text()')[0]
        src = item.xpath('div//img/@src')[0]
        info = item.xpath('.//div[@class="bd"]/p')[0].xpath('string(.)').strip().replace(' ','').replace('xa0',' ').replace('
',' ')
        title = item.xpath('.//div[@class="hd"]/a')[0].xpath('string(.)').strip().replace(' ','').replace('xa0',' ').replace('
',' ')
        star = item.xpath('.//span[@class="rating_num"]/text()')[0]
        print ('''%s 
        %s 
        %s
        %s
        %s
        ''' %  (index,title,info,star,src))

完整代码https://github.com/arcsinw/project_douban

参考链接

scrapy xpath 从response中获取li，然后再获取li中img的src

XPath语法

解决：xpath取出指定多标签内所有文字text