【python爬虫案例】利用python爬取豆瓣电影TOP250评分排行数据，并导出为excel文档数据

一、爬取案例-豆瓣读书TOP250

上一期给大家分享了个python爬虫案例：豆瓣电影TOP250的排行榜数据爬取

【python爬虫案例】利用python爬虫爬取豆瓣电影评分TOP250排行数据！

今天再给大家分享一下：豆瓣读书排行榜TOP250的python爬虫案例！

因为是同一个网站，所以流程和逻辑上都是差不多的。

这次爬取的目标网址是：https://book.douban.com/top250

老规矩！咱们以目标为驱动，以兴趣为导向，先来看下爬虫程序运行后得到的excel文档数据

那代码是如何实现豆瓣读书TOP250数据爬取的了？下面逐一讲解一下python实现。

二、豆瓣读书TOP250网站分析

通过浏览器F12查看所有请求，发现他并没有发送ajax请求，那说明我们要的TOP250的排行榜数据大概率是在html页面内容上。

于是我们 点击右键->查看网页源代码 ，发现我们需要的豆瓣读书评分的排行榜数据都在html页面里

这就简单了，我们直接往下看，上代码。

三、python爬虫代码详解

首先，导入我们需要用到的库

<code>import requests # 发请求

from lxml import etree # 解析html

import pandas as pd # 存取csv

然后，向豆瓣读书TOP250的网页发起请求，获得html页面内容

page_source = requests.get(page_url, headers=headers).text

用lxml库解析html页面

tree = etree.HTML(page_source)

使用xpath来提取我们需要的书籍排行榜数据内容

# 获得数据

tables = tree.xpath('//div[@]/div/div[1]/div/table')

for table in tables:

top = table.xpath(".//td[@valign='top']")[-1]code>

# 书名

book_name = extract_first(top.xpath("./div/a/text()")).strip()

# 豆瓣链接

url = extract_first(top.xpath("./div/a/@href")).strip()

# 作者、译者、出版社、出版日期、价格

info = extract_first(top.xpath("./p[@class='pl']/text()")).strip()code>

# 评分

score = extract_first(top.xpath("./div[@class='star clearfix']/span[@class='rating_nums']/text()")).strip()code>

# 评分人数

star_people = extract_first(top.xpath("./div[@class='star clearfix']/span[@class='pl']/text()")).strip()code>

star_people_num = re.search("\d+", star_people).group()

# 一句话评价

one_evaluate = extract_first(top.xpath("./p[@class='quote']/span/text()")).strip()code>

其中，需要特殊说明的是，上面的info变量。

他里面会包含：作者、译者、出版社、出版日期、价格等信息，提取的时候会有多种格式。

为了应对书籍信息中列表的不同长度，所以会有如下应对不同格式的处理代码

<code>infos = info.split("/")

if len(infos) == 5:

author = infos[0]

translator = infos[1]

publish = infos[2]

publish_date = infos[3]

price = infos[4]

elif len(infos) == 4:

author = infos[0]

publish = infos[1]

publish_date = infos[2]

price = infos[3]

elif len(infos) == 6 : # 有2个价格 第1页：福尔摩斯探案全集

author = infos[0]

translator = infos[1]

publish = infos[2]

publish_date = infos[3]

price = str(infos[4]) + "/" + str(infos[5])

elif len(infos) == 3: # 没有作者，且没有译者 第5页：十万个为什么

publish = infos[0]

publish_date = infos[1]

price = infos[2]

else:

print(f"未匹配到的格式 书名={book_name}", infos)

最后，我们将爬虫爬取的数据保存到csv文档里

def save_to_csv(csv_name):

"""

数据保存到csv

@param csv_name: csv文件名字

@return:

"""

df = pd.DataFrame() # 初始化一个DataFrame对象

df['书名'] = book_names

df['豆瓣链接'] = book_urls

df['作者'] = authors

df['译者'] = translators

df['出版社'] = publishers

df['出版日期'] = publish_dates

df['价格'] = prices

df['评分'] = scores

df['评分人数'] = star_peoples

df['一句话评价'] = one_evaluates

df.to_csv(csv_name, encoding='utf8') # 将数据保存到csv文件code>

上面的book_names、book_urls等变量都是使用的list来进行存储的，这样才能符合pandas导出数据时的需要，最后调用to_csv()方法即可导出豆瓣读书的排行榜数据到文档里了。

三、python爬虫源代码获取

我是 @王哪跑，持续分享python干货，各类副业软件！

附完整python源码及数据：【python爬虫案例】利用python爬虫爬取豆瓣读书评分TOP250排行数据！