Python爬虫学习笔记（1）：抓取静态网页

一、使用XPath抓取静态网页内容的基本流程

首先是引入库：

import requests
from lxml import etree

然后提取HTML内容

url='https://book.douban.com/top250'
data=requests.get(url).text
s=etree.HTML(data)

最后提取想要的内容
用浏览器（我用的火狐）打开目标网页（比如豆瓣Top500），按F12，选中要抓取的元素，右键复制XPath，如图：

选取豆瓣Top500中第一本书的书名

BookNameCh=s.xpath('/html/body/div[3]/div[1]/div/div[1]/div/table[1]/tr/td[2]/div[1]/a/text()')

看看效果

print(BookNameCh)

如图：

VS Code中的调试结果

二、使用replace进行字符串的初步处理

可以看到输出结果中有很多空格和转行，很不美观，我们可以使用replace对它进行初步处理

引入库：
import re
构建处理函数：
比如q=q.replace(' ','')就是将空格替换为空值，实现了去空格

def mystring(p):
    q=str(p)
    q=q.replace(' ','') 
    q=q.replace('\\n','')
    q=q.replace('[','')
    q=q.replace(']','')
    q=q.replace('\'','')
    q=q.replace('\"','')
    q=q.replace(',','')
    return q

再来看一下效果：

BookNameCh=mystring(s.xpath('/html/body/div[3]/div[1]/div/div[1]/div/table[1]/tr/td[2]/div[1]/a/text()'))
print(BookNameCh)

如图：

处理后输出的结果

三、多页多个内容的抓取

1.单页中多个内容的抓取

比较第一本书和第二本书的xpath，发现只是table[]不同而已，通过循环结构即可实现

    for j in range(1,26):
        BookNameCh.append(mystring(s.xpath('/html/body/div[3]/div[1]/div/div[1]/div/table[{}]/tr/td[2]/div[1]/a/text()'.format(j))))

2.翻页

比较第一页和第二页的网址的区别，发现只是?start=跟的数不同，且以25为步长递增，通过循环结构也容易实现

for i in range(10):
    url='https://book.douban.com/top250?start={}'.format(i*25)
    #url='https://book.douban.com/top250'

3.使用数组组织抓到的数据

定义一个数组
BookNameCh=[]
将数据填入数组中
BookNameCh.append(数据)
输出数据
print(BookNameCh[i*25+j-1])

四、将数据写入本地文件

为了让其他软件能够处理，我们需要将数据写入本地文件

with open('booktop250.csv','w',encoding='utf-8') as f:
    f.write("BookNameCh,BookNameFo,BookInfo,BookScore,ReviewerNumber,Comment\n")
    for i in range(10):
        for j in range(1,26):
            f.write("{},{},{},{},{},{}\n".format(BookNameCh[i*25+j-1],BookNameEn[i*25+j-1],BookInfo[i*25+j-1],BookScore[i*25+j-1],ReviewerNumber[i*25+j-1],Comment[i*25+j-1]))

用SPSS查看一下所获得的数据，如图：

在SPSS中查看所获得的数据

下面是完整代码：

import requests
from lxml import etree
import re

def mystring(p):
    q=str(p)
    q=q.replace(' ','')
    q=q.replace('\\n','')
    q=q.replace('[','')
    q=q.replace(']','')
    q=q.replace('\'','')
    q=q.replace('\"','')
    q=q.replace(',','')
    return q


BookNameCh=[]
BookNameEn=[]
BookInfo=[]
BookScore=[]
ReviewerNumber=[]
Comment=[]


for i in range(10):
    url='https://book.douban.com/top250?start={}'.format(i*25)
    #url='https://book.douban.com/top250'
    data=requests.get(url).text
    s=etree.HTML(data)
    for j in range(1,26):
        BookNameCh.append(mystring(s.xpath('/html/body/div[3]/div[1]/div/div[1]/div/table[{}]/tr/td[2]/div[1]/a/text()'.format(j))))
        BookNameEn.append(mystring(s.xpath('/html/body/div[3]/div[1]/div/div[1]/div/table[{}]/tr/td[2]/div[1]/span/text()'.format(j))))
        BookInfo.append(mystring(s.xpath('/html/body/div[3]/div[1]/div/div[1]/div/table[{}]/tr/td[2]/p[1]/text()'.format(j))))
        BookScore.append(mystring(s.xpath('/html/body/div[3]/div[1]/div/div[1]/div/table[{}]/tr/td[2]/div[2]/span[2]/text()'.format(j))))
        pReviewerNumber=mystring(s.xpath('/html/body/div[3]/div[1]/div/div[1]/div/table[{}]/tr/td[2]/div[2]/span[3]/text()'.format(j)))
        pReviewerNumber=pReviewerNumber.replace('人评价)','')
        pReviewerNumber=pReviewerNumber.replace('(','')
        pReviewerNumber=int(pReviewerNumber)
        ReviewerNumber.append(pReviewerNumber)
        Comment.append(mystring(s.xpath('/html/body/div[3]/div[1]/div/div[1]/div/table[{}]/tr/td[2]/p[2]/span/text()'.format(j))))
        print(BookNameCh[i*25+j-1])
        print(BookNameEn[i*25+j-1])

with open('booktop250.csv','w',encoding='utf-8') as f:
    f.write("BookNameCh,BookNameFo,BookInfo,BookScore,ReviewerNumber,Comment\n")
    for i in range(10):
        for j in range(1,26):
            f.write("{},{},{},{},{},{}\n".format(BookNameCh[i*25+j-1],BookNameEn[i*25+j-1],BookInfo[i*25+j-1],BookScore[i*25+j-1],ReviewerNumber[i*25+j-1],Comment[i*25+j-1]))