Python数据科学程序员Python数据采集与爬虫

用23行代码爬取豆瓣音乐top250

2017-12-19  本文已影响176人  爱吃西瓜的番茄酱
学习.png

网上有各种爬取豆瓣电影top250的教程,虽然豆瓣音乐top250和豆瓣电影top250的爬取十分类似,但是我大致对比了一下,我这种方法应该是最简单的,仅需要23行代码。

豆瓣对于爬虫十分友好,而且豆瓣上面又有各种电影图书音乐等资源,是我们学习爬虫一个很不错的锻炼目标。基本上每个学习爬虫的人都会拿豆瓣来练练手。

好吧,如果你有更简单的方法,欢迎给我评论留言交流交流,共同进步。

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:

http://lxml.de/

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

image.png

点击下一页,我们多观察几个页面的url:

image.png image.png

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:

image.png

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:

image.png

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:

image.png

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:

image.png

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("{} {} {} {}\n".format(music_name, music_author, music_score, music_href))

如上,一共23行代码。

爬取结果如下:

image.png

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。

上一篇下一篇

猜你喜欢

热点阅读