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




import requests
from lxml import etree
import csv
import time
 
# 设置请求头,模拟浏览器访问
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}
 
# 存储数据的列表
data_list = []
 
def get_data(url):
    response = requests.get(url, headers=headers)
    return response.text
 
def parse_data(html):
    # 使用etree.HTML解析网页,并通过Xpath选取数据
    html = etree.HTML(html)
    # 影片信息的Xpath
    movie_xpath = '//div[@class="info"]'
    # 评分的Xpath
    score_xpath = '//div[@class="star"]/span[@class="rating_num"]/text()'
    # 影片名称的Xpath
    name_xpath = '//div[@class="hd"]/a/span[1]/text()'
    # 影评人数的Xpath
    comment_xpath = '//div[@class="star"]/span[4]/text()'
 
    # 提取数据
    movies = html.xpath(movie_xpath)
    for movie in movies:
        data = {
            'ranking': movie.xpath('./div[@class="pic"]/em/text()')[0],
            'score': movie.xpath(score_xpath)[0],
            'name': movie.xpath(name_xpath)[0],
            'comment': movie.xpath(comment_xpath)[0] if movie.xpath(comment_xpath) else '0'
        }
        data_list.append(data)
 
def save_data():
    with open('douban_top250.csv', 'w', newline='', encoding='utf-8') as f:
        writer = csv.DictWriter(f, fieldnames=['ranking', 'score', 'name', 'comment'])
        writer.writeheader()
        for data in data_list:
            writer.writerow(data)
 
def main():
    # 爬取的网页URL
    url = 'https://movie.douban.com/top250'
    html = get_data(url)
    parse_data(html)
    save_data()
 
if __name__ == '__main__':
    main()

这段代码实现了从豆瓣Top250电影页面爬取数据的功能。首先,设置请求头,模拟浏览器访问,以避免反爬虫机制。然后定义了一个获取网页内容的函数get_data,一个解析网页内容的函数parse_data,以及一个保存数据到CSV文件的函数save_data。最后,在main函数中调用这些函数,完成数据爬取和保存的流程。

最后修改于:2024年08月17日 20:16

评论已关闭

推荐阅读

DDPG 模型解析,附Pytorch完整代码
2024年11月24日
DQN 模型解析,附Pytorch完整代码
2024年11月24日
AIGC实战——Transformer模型
2024年12月01日
Socket TCP 和 UDP 编程基础(Python)
2024年11月30日
python , tcp , udp
如何使用 ChatGPT 进行学术润色?你需要这些指令
2024年12月01日
AI
最新 Python 调用 OpenAi 详细教程实现问答、图像合成、图像理解、语音合成、语音识别(详细教程)
2024年11月24日
ChatGPT 和 DALL·E 2 配合生成故事绘本
2024年12月01日
omegaconf,一个超强的 Python 库!
2024年11月24日
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
2024年12月01日
[超级详细]如何在深度学习训练模型过程中使用 GPU 加速
2024年11月29日
Python 物理引擎pymunk最完整教程
2024年11月27日
MediaPipe 人体姿态与手指关键点检测教程
2024年11月27日
深入了解 Taipy:Python 打造 Web 应用的全面教程
2024年11月26日
基于Transformer的时间序列预测模型
2024年11月25日
Python在金融大数据分析中的AI应用(股价分析、量化交易)实战
2024年11月25日
AIGC Gradio系列学习教程之Components
2024年12月01日
Python3 `asyncio` — 异步 I/O,事件循环和并发工具
2024年11月30日
llama-factory SFT系列教程:大模型在自定义数据集 LoRA 训练与部署
2024年12月01日
Python 多线程和多进程用法
2024年11月24日
Python socket详解,全网最全教程
2024年11月27日