python爬取豆瓣读书,python爬取数据豆瓣读书
xpath爬取脚本:
from urllib import request
from lxml import etree
base_url=“https://tieba.baidu.com/f?kw=nba”
response=request.urlopen(base_url)
html=response.read().decode(‘utf-8’)
htmls=etree.HTML(html)
titles=htmls.xpath(’//div[@class=“threadlist_lz clearfix”]/div/a/@title’)
一开始在父级div没找到,因此再上一级找爷爷辈div,然后加个/div回到父级
//表示在整个html文档寻找,@表示寻找类名,再加一个/div表示它的下一级
print(titles)发现输出的是一个列表
for i in titles:
print(i)
为啥不直接找呢?
因为没有class标签,所以不好找,所以找它的父亲,看套再哪个class里
//div[@class=“pl2”]/a/@title
//p[@class=“pl”]/text()作者
P标签下用text找
//span[@class=“rating_nums”]/text()评分
短评
//span[@class=“inq”]/text()
//div[@class=“movie-content”]/a/img/@src
图片
#爬取豆瓣读书top250
建立一个文件io对象
fp=open(’./douban.txt’,‘a’,encoding=‘utf-8’)
采集源码
def index():
for i in range(0,226,25):#制作页码
# print(i)
base_url=‘https://book.douban.com/top250?start={0}’.format(i)
# print(base_url)
#抓取源码阶段
response=request.urlopen(base_url)
html=response.read().decode(‘utf-8’)
#处理源码(用etree将html转换为xml
htmls=etree.HTML(html)#就可以用xpath语言写了
clean_sto(htmls)
清洗数据并保存
def clean_sto(htmls):
titles=htmls.xpath(’//div[@class=“pl2”]/a/@title’)
# print(titles)发现是一个一个的列表
for i in titles:
# print(i)
fp.write(i+’\n’)
if name==‘main’:
index()
fp.close()
python爬取豆瓣读书,python爬取数据豆瓣读书相关推荐
- 5000字 大数据时代读书笔记_大数据时代读书笔记
大数据时代读书笔记 [篇一:大数据时代读书笔记] 大数据时代 -- 读书笔记 一.引论 1. 大数据时代的三个转变: 1. 可以分析更多的数据,处理和某个现象相关的所有数据,而不是 随机采样 2. 不 ...
- 5000字 大数据时代读书笔记_大数据时代 读书笔记
大数据时代 维克托·迈尔·舍恩伯格 首先作者抛出了大数据时代处理数据理念上的三大转变: 要全体不要抽样. 首先,要分析与某事物相关的所有数据,而不是依 靠分析少量的数据样本.全数据模式,样本 = ...
- 使用python的scrapy框架简单的爬取豆瓣读书top250
使用python的scrapy框架简单的爬取豆瓣读书top250 一.配置scrapy环境 1. 配置相应模块 如果没有配置过scrapy环境的一般需要安装lxml.PyOpenssl.Twisted ...
- python爬虫——使用代理和xpath爬取豆瓣读书
根据豆瓣读书的所有标签自动创建文件夹,使用代理防止被反爬.但是我的代理好像是假的,还是被反爬了-通过设置cookie爬取,但是爬取一定数量后需要在浏览器手动进行验证码输入-总的来说,代码写的很麻烦 i ...
- Python爬虫开源项目代码(爬取微信、淘宝、豆瓣、知乎、新浪微博、QQ、去哪网 等等)...
文章目录 1.简介 2.开源项目Github 2.1.WechatSogou [1]– 微信公众号爬虫 2.2.DouBanSpider [2]– 豆瓣读书爬虫 2.3.zhihu_spider [3 ...
- Python爬虫开源项目代码(爬取微信、淘宝、豆瓣、知乎、新浪微博、QQ、去哪网 等等)
文章目录 1.简介 2.开源项目Github 2.1.WechatSogou [1]– 微信公众号爬虫 2.2.DouBanSpider [2]– 豆瓣读书爬虫 2.3.zhihu_spider [3 ...
- 23个Python爬虫开源项目代码:爬取微信、淘宝、豆瓣、知乎、微博
今天为大家整理了32个Python爬虫项目.整理的原因是,爬虫入门简单快速,也非常适合新入门的小伙伴培养信心,所有链接指向GitHub. 1.WechatSogou – 微信公众号爬虫 基于搜狗微信搜 ...
- 23个Python爬虫开源项目代码:爬取微信、淘宝、豆瓣、知乎、微博等
来源:全球人工智能 作者:SFLYQ 今天为大家整理了23个Python爬虫项目.整理的原因是,爬虫入门简单快速,也非常适合新入门的小伙伴培养信心.所有链接指向GitHub,祝大家玩的愉快 1.Wec ...
- 推荐23个Python爬虫开源项目代码:爬取微信、淘宝、豆瓣、知乎、微博等
点击上方 Python知识圈,选择"设为星标" 回复"1024"获取编程资料 阅读文本大概需要 5 分钟. 今天为大家整理了23个Python爬虫项目.整理的原 ...
- python项目开发案例集锦 豆瓣-Python第三个项目:爬取豆瓣《哪吒之魔童降世》 短评...
前面爬完网站信息图片之后,今天的又有了个小目标,最近的电影哪吒很火,去豆瓣上看了一下 影评,决定了今天主要是实现Python第三个项目:爬取豆瓣<哪吒之魔童降世> 短评,然后下载在exce ...
最新文章
- the different between Const and Static in C++
- 【分享】工作流支持邮件提醒相关配置
- 怎样在Github参与一个开源项目
- 江西财经计算机应用杨教授,江西财经大学信息管理学院研究生导师介绍:刘德喜...
- MySQL InnoDB Cluster安装
- excel打印预览在哪里_Excel如何打印表格,每页纸都有标题?
- 20140625 程序 进程 线程 物理存储器
- pandas dataframe 一行变多行 (query pv统计term pv)
- BERT源码分析PART III
- 如何成为一个成功的 Java 开发人员?
- Command ‘ifconfig‘ not found, but can be installed with: sudo apt install net-tools VM Ubuntu 解决方案
- Hbase-1.1.1-java API
- 跨境网上收款 找PayPal没错(获取Client ID 和 secret)
- 转 fpga学习经验1
- Unity3D 制作按钮开关,旋钮开关,摇杆手柄 插件
- 测量中的坐标与时间系统1.2(在大地测量学中)
- 软件企业变更管理流程
- 三种PS切图方法—简单易懂
- 【Word】插入公式显示灰色,失效解决
- Stroke:利用人类遗传学理解缺血性卒中预后的机制