用23行代碼爬取豆瓣音樂top250

學習.png

網(wǎng)上有各種爬取豆瓣電影top250的教程卵贱,雖然豆瓣音樂top250和豆瓣電影top250的爬取十分類似抛虫,但是我大致對比了一下西乖,我這種方法應(yīng)該是最簡單的狐榔,僅需要23行代碼。

豆瓣對于爬蟲十分友好获雕,而且豆瓣上面又有各種電影圖書音樂等資源薄腻,是我們學習爬蟲一個很不錯的鍛煉目標〗彀福基本上每個學習爬蟲的人都會拿豆瓣來練練手庵楷。

好吧,如果你有更簡單的方法楣颠,歡迎給我評論留言交流交流嫁乘,共同進步。

抓取目標:

豆瓣音樂top250的歌名球碉、作者(專輯)、評分和歌曲鏈接

使用工具:

requests + lxml + xpath仓蛆。

我認為這種工具組合是最適合初學者的睁冬,requests比python自帶的urllib庫好用,功能更強大。關(guān)于requests的使用方法豆拨,建議看它的官方文檔:

http://docs.python-requests.org/zh_CN/latest/user/quickstart.html

使用lxml來解析網(wǎng)頁直奋,速度是最快的,至少比BeatifulSoup快施禾。關(guān)于lxml的使用方法脚线,建議看這個:

http://lxml.de/

而xpath更是傻白甜的使用方式:直接在瀏覽器中復制即可,如果想要掌握xpath更具體的語法弥搞,建議看w3school的xpath教程:

http://www.w3school.com.cn/xpath/

首先目標url是: https://music.douban.com/top250?start=0

image.png

點擊下一頁邮绿,我們多觀察幾個頁面的url:

image.png
image.png

我們會發(fā)現(xiàn)url的start=是以25的倍數(shù)增長的,起始為start=0攀例,然后是start=25船逮,每頁25首音樂,一共十頁粤铭。

所以挖胃,我們可以使用一個for循環(huán)來得出這十個頁面的url:

for i in range(10):      
    # 一共有10個頁面,每個頁面25首音樂
    url = "https://music.douban.com/top250?start={}".format(i * 25)

關(guān)于format()函數(shù)的使用方法梆惯,可以看菜鳥教程上的講解:

http://www.runoob.com/python/att-string-format.html

關(guān)于range()函數(shù)的使用方法酱鸭,可以看菜鳥教程上的講解:

http://www.runoob.com/python/python-func-range.html

然后我們使用requests.get()來進行網(wǎng)頁請求:

import requests
headers = {"User_Agent": "Mozilla/5.0(compatible; MSIE 5.5; Windows 8)"}
data = requests.get(url, headers=headers).text

使用lxml來解析網(wǎng)頁:

from lxml import etree
s = etree.HTML(data)

接下來我們開始提取數(shù)據(jù),打開目標頁面垛吗,將每首音樂的完整信息的xpath信息復制下來:

image.png

重復這樣的操作凹髓,多復制幾首音樂的xpath信息,觀察它的規(guī)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]

這樣子規(guī)律就很明顯了职烧,每首音樂就是table后的序號不同扁誓。只要我們將序號去掉,就可以提取所有音樂的全部信息了:

# 歌曲整體的xpath
musics = s.xpath('//*[@id="content"]/div/div[1]/div/table')

我們再使用同樣的方法來獲取歌名的xpath信息:

image.png

多復制幾個歌名信息的xpath來對比一下:

# 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

這是注意一下蚀之, 上面的xpath路徑中蝗敢,/tbody是多余的,我們要將其刪掉足删,不然會出錯寿谴,所以,有時候直接在瀏覽器復制xpath信息也不一定靠譜失受,這里要注意一下讶泰。

這樣我們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],我們得到的結(jié)果將是一個list類型拂到,每個結(jié)果都被中括號[]裹起來痪署,比較礙眼,所以使用[0]取出list的第一個值就可以了兄旬。strip()函數(shù)可以去除多余的空格狼犯。

還有,音樂的鏈接和名字的xpath路徑是相同的,只是一個取href值悯森,一個取text值宋舷。
所以每首歌的鏈接如下:

for music in musics:
    music_name = music.xpath('./tr/td[2]/div/a/@href')[0]

我們再使用同樣的方法復制作者(專輯)的xpath信息:

image.png

多復制幾個作者的xpath信息來對比一下:

# //*[@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]

同樣要將/tbody從xpath路徑中刪掉,這樣我們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()

我們還使用同樣的方法復制評分的xpath信息:

image.png

多復制幾個評分的xpath信息來對比一下:

# //*[@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]

同理瓢姻,我們就可以提取出每首歌的評分了:

for music in musics:
    music_score = music.xpath('./tr/td[2]/div/div/span[2]/text()')[0]

到現(xiàn)在祝蝠,我們已經(jīng)獲取了我們想要的所有信息。現(xiàn)在來整合一下代碼幻碱,存儲為TXT文件:

import requests
from lxml import etree
import time

with open("豆瓣音樂top250.txt", "w", encoding="utf-8") as f:        
    for i in range(10):               
        # 一共有10個頁面绎狭,每個頁面25首音樂
        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)                       

        # 歌曲整體的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]  # 評分
            music_href = music.xpath('./tr/td[2]/div/a/@href')[0]  # 鏈接

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

如上,一共23行代碼收班。

爬取結(jié)果如下:

image.png

本來我想存為CSV文件的坟岔,結(jié)果發(fā)現(xiàn)有的歌曲有多個歌手,而且?guī)讉€歌手之間是用逗號(摔桦,)分開的社付,這就和CSV中的逗號產(chǎn)生了混淆,導致結(jié)果比較錯亂邻耕。

好吧鸥咖,我暫時不知道存為CSV格式時,怎樣消除其本身攜帶的逗號產(chǎn)生的影響兄世。

當然啼辣,同樣的爬取思路,我們還可以爬取豆瓣電影top250御滩、豆瓣圖書top250鸥拧。只需要將url和xpath路徑修改一下就可以了。

每天學習一點點削解,每天進步一點點富弦。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市氛驮,隨后出現(xiàn)的幾起案子腕柜,更是在濱河造成了極大的恐慌,老刑警劉巖矫废,帶你破解...
    沈念sama閱讀 217,657評論 6 505
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件盏缤,死亡現(xiàn)場離奇詭異,居然都是意外死亡蓖扑,警方通過查閱死者的電腦和手機唉铜,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,889評論 3 394
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來律杠,“玉大人打毛,你說我怎么就攤上這事柿赊。” “怎么了幻枉?”我有些...
    開封第一講書人閱讀 164,057評論 0 354
  • 文/不壞的土叔 我叫張陵,是天一觀的道長诡蜓。 經(jīng)常有香客問我熬甫,道長,這世上最難降的妖魔是什么蔓罚? 我笑而不...
    開封第一講書人閱讀 58,509評論 1 293
  • 正文 為了忘掉前任椿肩,我火速辦了婚禮,結(jié)果婚禮上豺谈,老公的妹妹穿的比我還像新娘郑象。我一直安慰自己,他們只是感情好茬末,可當我...
    茶點故事閱讀 67,562評論 6 392
  • 文/花漫 我一把揭開白布厂榛。 她就那樣靜靜地躺著,像睡著了一般丽惭。 火紅的嫁衣襯著肌膚如雪击奶。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,443評論 1 302
  • 那天责掏,我揣著相機與錄音柜砾,去河邊找鬼。 笑死换衬,一個胖子當著我的面吹牛痰驱,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播瞳浦,決...
    沈念sama閱讀 40,251評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼担映,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了术幔?” 一聲冷哼從身側(cè)響起另萤,我...
    開封第一講書人閱讀 39,129評論 0 276
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎诅挑,沒想到半個月后四敞,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,561評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡拔妥,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,779評論 3 335
  • 正文 我和宋清朗相戀三年忿危,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片没龙。...
    茶點故事閱讀 39,902評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡铺厨,死狀恐怖缎玫,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情解滓,我是刑警寧澤赃磨,帶...
    沈念sama閱讀 35,621評論 5 345
  • 正文 年R本政府宣布,位于F島的核電站洼裤,受9級特大地震影響邻辉,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜腮鞍,卻給世界環(huán)境...
    茶點故事閱讀 41,220評論 3 328
  • 文/蒙蒙 一值骇、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧移国,春花似錦吱瘩、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,838評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至裹芝,卻和暖如春部逮,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背嫂易。 一陣腳步聲響...
    開封第一講書人閱讀 32,971評論 1 269
  • 我被黑心中介騙來泰國打工兄朋, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人怜械。 一個月前我還...
    沈念sama閱讀 48,025評論 2 370
  • 正文 我出身青樓颅和,卻偏偏與公主長得像,于是被迫代替她去往敵國和親缕允。 傳聞我的和親對象是個殘疾皇子峡扩,可洞房花燭夜當晚...
    茶點故事閱讀 44,843評論 2 354

推薦閱讀更多精彩內(nèi)容