先來看看頁面長啥樣的:https://book.douban.com/top250?start=25
我們將要爬取哪些信息：書名、鏈接、評分、一句話評價(jià)……
1. 爬取單個(gè)信息
我們先來嘗試爬取書名，利用之前的套路，還是先復(fù)制書名的xpath：
得到第一本書《追風(fēng)箏的人》的書名xpath如下：
//*[@id="content"]/div/div[1]/div/table[1]/tbody/tr/td[2]/div[1]/a
得到xpath，我們就可以按照之前的方法來嘗試一下：
返回的竟然是空值，這就很尷尬了。
這里需要注意，瀏覽器復(fù)制的 xpath 信息并不是完全可靠的，瀏覽器經(jīng)常會(huì)自己在里面增加多余的 tbody 標(biāo)簽，我們需要手動(dòng)把這些標(biāo)簽刪掉。
修改 xpath 后再來嘗試，結(jié)果如下:
切記：瀏覽器復(fù)制 xpath 不是完全可靠，看到 tbody 標(biāo)簽特別要注意。
分別復(fù)制《追風(fēng)箏的人》、《小王子》、《圍城》、《解憂雜貨店》的 xpath 信息進(jìn)行對比：
//*[@id="content"]/div/div[1]/div/table[1]/tbody/tr/td[2]/div[1]/a
//*[@id="content"]/div/div[1]/div/table[2]/tbody/tr/td[2]/div[1]/a
//*[@id="content"]/div/div[1]/div/table[3]/tbody/tr/td[2]/div[1]/a
//*[@id="content"]/div/div[1]/div/table[4]/tbody/tr/td[2]/div[1]/a
比較可以發(fā)現(xiàn)書名的 xpath 信息僅僅 table 后的序號不一樣，并且跟書的序號一致，于是去掉序號（去掉 tbody），我們可以得到通用的 xpath 信息：
//*[@id=“content”]/div/div[1]/div/table/tr/td[2]/div[1]/a
好了，我們試試把這一頁全部書名爬下來:
2.爬取多個(gè)信息
分別復(fù)制《追風(fēng)箏的人》、《小王子》、《圍城》、《解憂雜貨店》評分的 xpath 信息進(jìn)行對比：
//*[@id="content"]/div/div[1]/div/table[1]/tbody/tr/td[2]/div[2]/span[2]
//*[@id="content"]/div/div[1]/div/table[2]/tbody/tr/td[2]/div[2]/span[2]
//*[@id="content"]/div/div[1]/div/table[3]/tbody/tr/td[2]/div[2]/span[2]
//*[@id="content"]/div/div[1]/div/table[4]/tbody/tr/td[2]/div[2]/span[2]
相信你已經(jīng)可以秒寫出爬取全部評分的xpath了：
//*[@id=“content”]/div/div[1]/div/table/tr/td[2]/div[2]/span[2]
把評分的xpath放入之前的代碼，運(yùn)行：
現(xiàn)在我們再把書名和評分同時(shí)爬取下來：
這里我們默認(rèn)書名和評分爬到的都是完全的、正確的信息，這種默認(rèn)一般情況沒問題，但其實(shí)是有缺陷的，如果我們某一項(xiàng)少爬或多爬了信息，那么兩種數(shù)據(jù)的量就不一樣了，從而匹配錯(cuò)誤。比如下面的例子:
書名xpath 后的@title 改為 text()，獲取的文本數(shù)量與評分?jǐn)?shù)量不一致，出現(xiàn)匹配錯(cuò)位。
如果我們以每本書為單位，分別取獲取對應(yīng)的信息，那肯定完全匹配。
書名的標(biāo)簽肯定在這本書的框架內(nèi)，于是我們從書名的標(biāo)簽向上找，發(fā)現(xiàn)覆蓋整本書的標(biāo)簽（左邊網(wǎng)頁會(huì)有代碼包含內(nèi)容的信息），把xpath 信息復(fù)制下來：
//*[@id="content"]/div/div[1]/div/table[1]
我們將整本書和書名的xpath進(jìn)行對比
//*[@id=“content”]/div/div[1]/div/table[1] #整本書
//*[@id=“content”]/div/div[1]/div/table[1]/tr/td[2]/div[1]/a #書名
//*[@id=“content”]/div/div[1]/div/table[1]/tr/td[2]/div[2]/span[2] #評分
不難發(fā)現(xiàn)，書名和評分 xpath 的前半部分和整本書的 xpath 一致的，
那我們可以通過這樣寫 xpath 的方式來定位信息：
file=s.xpath(“//*[@id=“content”]/div/div[1]/div/table[1]”)
title =div.xpath(“./tr/td[2]/div[1]/a/@title”)
score=div.xpath(“./tr/td[2]/div[2]/span[2]/text()”)
在實(shí)際的代碼中來看一下：
剛剛我們爬了一本書的信息，那如何爬這個(gè)頁面所有書呢？很簡單啊，把 xpath 中<table>后面定位的序號去掉就ok。
終于看到廬山真面目了，不過，等等~
title = div.xpath("./tr/td[2]/div[1]/a/@title")[0]
score=div.xpath("./tr/td[2]/div[2]/span[2]/text()")[0]
為什么這兩行后面多了個(gè) [0] 呢？我們之前爬出來的數(shù)據(jù)是列表,外面帶個(gè)方框，看著非常難受,列表只有一個(gè)值，對其取第一個(gè)值就OK。如果不熟悉列表的知識，可以回去補(bǔ)補(bǔ)。
接下來就是按照這樣的方式多爬幾個(gè)元素啦！
有一個(gè)點(diǎn)需要注意的是：
num=div.xpath("./tr/td[2]/div[2]/span[3]/text()")[0].strip("(").strip().strip(")")
這行代碼用了幾個(gè) strip() 方法，()里面表示要?jiǎng)h除的內(nèi)容，strip(“(”) 表示刪除括號， strip() 表示刪除空白符。
嗯，已經(jīng)把一個(gè)頁面搞定了，接下來需要，把所有頁面的信息都爬下來。
3.翻頁，爬取所有頁面信息
先來看一下翻頁后url是如何變化的：
https://book.douban.com/top250?start=0 #第一頁
https://book.douban.com/top250?start=25 #第二頁
https://book.douban.com/top250?start=50 #第三頁
url 變化的規(guī)律很簡單，只是 start=() 的數(shù)字不一樣而已，而且是以每頁25為單位，遞增25，這不正是每頁的書籍的數(shù)量嗎？于是，我們只需要寫一個(gè)循環(huán)就可以了啊。
for a in range(10):
url = 'https://book.douban.com/top250?start={}'.format(a*25)
#總共10個(gè)頁面，用 a*25 保證以25為單位遞增
這里要強(qiáng)調(diào)一下 Python range() 函數(shù)
基本語法：range(start, stop, step)
start：計(jì)數(shù)從 start 開始。默認(rèn)是從 0 開始。例如 range(5) 等價(jià)于range(0,5);
end：計(jì)數(shù)到 end 結(jié)束，但不包括 end。例如：range（0,5）是 [0,1,2,3,4] 沒有5
step：步長，默認(rèn)為1。例如：range(0,5) 等價(jià)于 range(0,5,1)
>>>range(10) #從 0 開始到 10 （不包含）
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>> range(1, 11) #從 1 開始到 11 (不包含)
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
>>> range(0, 30, 5) #從0到30（不包含），步長為5
[0, 5, 10, 15, 20, 25]
加上循環(huán)之后，完整代碼如下：
from lxml import etree
import requests
import time
for a in range(10):
url = 'https://book.douban.com/top250?start={}'.format(a*25)
data = requests.get(url).text
s=etree.HTML(data)
file=s.xpath('//*[@id="content"]/div/div[1]/div/table')
time.sleep(3)
for div in file:
title = div.xpath("./tr/td[2]/div[1]/a/@title")[0]
href = div.xpath("./tr/td[2]/div[1]/a/@href")[0]
score=div.xpath("./tr/td[2]/div[2]/span[2]/text()")[0]
num=div.xpath("./tr/td[2]/div[2]/span[3]/text()")[0].strip("(").strip().strip(")").strip()
scrible=div.xpath("./tr/td[2]/p[2]/span/text()")
if len(scrible) > 0:
print("{},{},{},{},{}".format(title,href,score,num,scrible[0]))
else:
print("{},{},{},{}".format(title,href,score,num))
來運(yùn)行一下：
請務(wù)必要自己練習(xí)幾遍，你覺得自己看懂了，還是會(huì)出錯(cuò)，不信我們賭五毛錢。
Python 的基礎(chǔ)語法很重要，沒事的時(shí)候多去看看：字符串、列表、字典、元組、條件語句、循環(huán)語句……
編程最重要的是實(shí)戰(zhàn)，比如你已經(jīng)能夠爬TOP250的圖書了，去試試TOP250電影呢。
好了，這節(jié)課就到這里！
