Python爬蟲入門 | 4 爬取豆瓣TOP250圖書資訊
我們將要爬取哪些資訊：書名、連結、評分、一句話評價……
1. 爬取單個資訊
我們先來嘗試爬取書名，利用之前的套路，還是先複製書名的xpath：
得到第一本書《追風箏的人》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。
這裡需要注意，瀏覽器複製的 xpath 資訊並不是完全可靠的，瀏覽器經常會自己在裡面增加多餘的 tbody 標籤，我們需要手動把這些標籤刪掉。
修改 xpath 後再來嘗試，結果如下:
切記：瀏覽器複製 xpath 不是完全可靠，看到 tbody 標籤特別要注意。
分別複製《追風箏的人》、《小王子》、《圍城》、《解憂雜貨店》的 xpath 資訊進行對比：
//*[@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 比較可以發現書名的 xpath 資訊僅僅 table 後的序號不一樣，並且跟書的序號一致，於是去掉序號（去掉 tbody），我們可以得到通用的 xpath 資訊：
//*[@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.爬取多個資訊
分別複製《追風箏的人》、《小王子》、《圍城》、《解憂雜貨店》評分的 xpath 資訊進行對比：
//*[@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] 相信你已經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放入之前的程式碼，執行：
現在我們再把書名和評分同時爬取下來：
這裡我們預設書名和評分爬到的都是完全的、正確的資訊，這種預設一般情況沒問題，但其實是有缺陷的，如果我們某一項少爬或多爬了資訊，那麼兩種資料的量就不一樣了，從而匹配錯誤。比如下面的例子:
書名xpath 後的@title 改為 text()，獲取的文字數量與評分數量不一致，出現匹配錯位。
如果我們以每本書為單位，分別取獲取對應的資訊，那肯定完全匹配
書名的標籤肯定在這本書的框架內，於是我們從書名的標籤向上找，發現覆蓋整本書的標籤（左邊網頁會有程式碼包含內容的資訊），把xpath 資訊複製下來：
//*[@id="content"]/div/div[1]/div/table[1]
我們將整本書和書名的xpath進行對比
//*[@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
不難發現，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 的方式來定位資訊：
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()”)
在實際的程式碼中來看一下：
剛剛我們爬了一本書的資訊，那如何爬這個頁面所有書呢？很簡單啊，把 xpath 中
終於看到廬山真面目了，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]為什麼這兩行後面多了個 [0] 呢？我們之前爬出來的資料是列表,外面帶個方框，看著非常難受,列表只有一個值，對其取第一個值就OK。如果不熟悉列表的知識，可以回去補補。
接下來就是按照這樣的方式多爬幾個元素啦！
有一個點需要注意的是：
num=div.xpath("./tr/td[2]/div[2]/span[3]/text()")[0].strip("(").strip().strip(")")這行程式碼用了幾個 strip() 方法，()裡面表示要刪除的內容，strip(“(”) 表示刪除括號， strip() 表示刪除空白符。
嗯，已經把一個頁面搞定了，接下來需要，把所有頁面的資訊都爬下來。
3.翻頁，爬取所有頁面資訊
先來看一下翻頁後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 變化的規律很簡單，只是 start=() 的數字不一樣而已，而且是以每頁25為單位，遞增25，這不正是每頁的書籍的數量嗎？於是，我們只需要寫一個迴圈就可以了啊。
for a in range(10):
url = 'https://book.douban.com/top250?start={}'.format(a*25)
#總共10個頁面，用 a*25 保證以25為單位遞增
這裡要強調一下 Python range() 函式
基本語法：range(start, stop, step)
start：計數從 start 開始。預設是從 0 開始。例如 range(5) 等價於range(0,5);
end：計數到 end 結束，但不包括 end。例如：range（0,5）是 [0,1,2,3,4] 沒有5
step：步長，預設為1。例如：range(0,5) 等價於 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]
加上迴圈之後，完整程式碼如下：
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("{},{},{},{},{}\n".format(title,href,score,num,scrible[0]))
else:
print("{},{},{},{}\n".format(title,href,score,num))
來執行一下：
請務必要自己練習幾遍，你覺得自己看懂了，還是會出錯，不信我們賭五毛錢。
Python 的基礎語法很重要，沒事的時候多去看看：字串、列表、字典、元組、條件語句、迴圈語句……
程式設計最重要的是實戰，比如你已經能夠爬TOP250的圖書了，去試試TOP250電影呢。
好了，這節課就到這裡！
白白~
如果你想有專業老師授課、有系統性知識、有實時線上答疑的老師的話，可以加入我們的課程《Python爬蟲(入門+進階)》。