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：
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
點擊下一頁邮绿，我們多觀察幾個頁面的url：
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：
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：
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：
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：
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：
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。
