Python爬取2022春节档电影信息
- 前提条件
- 相关介绍
- 实验环境
- 具体步骤
- 确定目标网站
- 分析网站
- 按F12打开浏览器操作台
- 按Ctrl+Shift+C快捷键，用鼠标找到目标元素
- 按Ctrl+F快捷键，控制台出现搜索框
- 复制Xpath
- 粘贴到搜索框，验证Xpath
- 查看HTML，寻找共性
- 发现目标元素都在一个div框里，修改Xpath
- 其余目标元素，以此类推
- 最后，用Pandas保存为CSV文件
- 代码实现
- 输出结果
前提条件
- 熟悉HTML基础语句
- 熟悉Xpath基础语句
相关介绍
- Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。
- Requests是一个很实用的Python HTTP客户端库。
- Pandas是一个Python软件包，提供快速，灵活和可表达的数据结构，旨在使结构化（表格，多维，潜在异构）和时间序列数据的处理既简单又直观。
- Time是python标准库，无需额外下载，主要用于处理时间问题。
- Lxml是XML和HTML的解析器，其主要功能是解析和提取XML和HTML中的数据；lxml和正则一样，也是用C语言实现的，是一款高性能的python HTML、XML解析器，也可以利用XPath语法，来定位特定的元素及节点信息。
HTML是超文本标记语言，主要用于显示数据，他的焦点是数据的外观XML是可扩展标记语言，主要用于传输和存储数据，他的焦点是数据的内容 - 实验目标：Python爬取2022春节档电影信息
实验环境
- Python 3.x （面向对象的高级语言）
- Resquest 2.14.2 （python第三方库）
- Pandas 1.1.0（python第三方库）
- Time （python标准库）
- Lxml（python第三方库）
具体步骤
确定目标网站
分析网站
按F12打开浏览器操作台
按Ctrl+Shift+C快捷键，用鼠标找到目标元素
按Ctrl+F快捷键，控制台出现搜索框
复制Xpath
Xpath为//*[@id=“showing-soon”]/div[1]/div/h3/a
粘贴到搜索框，验证Xpath
查看HTML，寻找共性
发现目标元素都在一个div框里，修改Xpath
Xpath修改为//*[@id=“showing-soon”]/div/div/h3/a
其余目标元素，以此类推
最后，用Pandas保存为CSV文件
# 利用pandas保存文件
df = pd.DataFrame()
df['上映日期'] = Ondate
df['片名'] = name
df['类型'] = movie_class
df['制片国家/地区'] = area
df['想看人数'] = num
df['超链接'] = href
df.to_csv('2022春节档电影_'+today+'.csv',mode='w',index=None,encoding='gbk')
代码实现
# -*- coding: utf-8 -*-
"""
Created on Tue Jan 25 10:07:11 2022
@author: TFX
"""
import time
import requests # 请求库
import pandas as pd
from lxml import etree# 提取信息库
# 日期
today = time.strftime('%Y{y}%m{m}%d{d}',time.localtime()).format(y='年',m='月',d='日')
# 网址
url = 'https://movie.douban.com/cinema/later/shenzhen/'
# 请求头
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36'
}
# 发送请求
response = requests.get(url=url,headers=headers)
# 数据解析,xpath可以用浏览器检查元素获得
html = etree.HTML(response.text) #类型变换
# 电影详细超链接
href = html.xpath('//*[@id="showing-soon"]/div/div/h3/a/@href')
# 上映日期
Ondate = html.xpath('//*[@id="showing-soon"]/div/div/ul/li[1]/text()')
# 片名
name = html.xpath('//*[@id="showing-soon"]/div/div/h3/a/text()')
# 类型
movie_class = html.xpath('//*[@id="showing-soon"]/div/div/ul/li[2]/text()')
# 制片国家 / 地区
area = html.xpath('//*[@id="showing-soon"]/div/div/ul/li[3]/text()')
# 想看人数
num = html.xpath('//*[@id="showing-soon"]/div/div/ul/li[4]/span/text()')
# 利用pandas保存文件
df = pd.DataFrame()
df['上映日期'] = Ondate
df['片名'] = name
df['类型'] = movie_class
df['制片国家/地区'] = area
df['想看人数'] = num
df['超链接'] = href
df.to_csv('2022春节档电影_'+today+'.csv',mode='w',index=None,encoding='gbk')
print('保存完成!')
输出结果
