Python网页爬虫爬取豆瓣Top250电影数据——Xpath数据解析_爬虫电影

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。
1
2

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'
1

• 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'}
1

• 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':'',
}
1
2
3
4
5

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
1
2
3
4
5

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]
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()')
1
2

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()')
1
2

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
1

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')
1
2

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()')
1
2
3
4
5
6

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
1

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)
1
2
3
4
5
6
7
8

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)
1
2
3
4
5
6
7
8
9
10

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))
1
2
3
4
5
6
7
8
9

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
1

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'])  
1
2
3
4
5

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])
1
2

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！！！！！————————————————————————————————————————————————')
    
    
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110

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。