前言
实战是最好的老师，直接案例操作，快速上手。
案例一，爬取数据，最终效果图：
一、VSCode+Python环境搭建
开发环境：MacBook Pro + VSCode + Python。
打开最新版VSCode，安装Python开发环境，快捷键：cmd+shift+x。
选择Python解释器，快捷键：cmd+shift+p。输入：Python: Select Interpreter，选择解释器。
写“hello world”。
新建文件，输入print(‘hello world~’)，另存为hello.py文件。
shift+enter 运行：
二、爬虫案例一
以爬取“豆瓣读书TOP250”的书籍为案例。
网址链接：https://book.douban.com/top250?start=0
1、爬取第一页数据
代码如下：
import requests
def askUrl(url):
head = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/17.1 Safari/605.1.15"
}
html=""
r = requests.get(url, headers = head)
html = r.text
print(html)
return html
if __name__ == "__main__":
askUrl("https://book.douban.com/top250?start=0")
head->User-Agent的值可以从这个地方获取：
如果import requests报错，使用pip3 install requests安装。
运行之后，结果如下：
第一页25个，都以html的形式显示了出来，第25个为书籍《野草》。
2、爬取所有页数据
代码如下：
import requests
def askUrl(url):
head = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/17.1 Safari/605.1.15"
}
r = requests.get(url, headers = head)
html = r.text
print(html)
def getData(baseurl):
for i in range(0, 10):
url = baseurl + str(i * 25)
html = askUrl(url)
if __name__ == "__main__":
baseurl = "https://book.douban.com/top250?start="
getData(baseurl)
运行之后，结果如下：
最后一页，最后一个，为书籍《哈姆莱特》。
3、格式化html数据
上面1和2，只是输出了html源码，现在按自己需要的几个字段进行格式化。
分别取这4个字段：封面图、书籍名称、作者（出版社、价格等）、引用。
这里使用lxml库，解析html。
# 导入lxml库子模块etree
from lxml import etree
格式化代码如下：
import requests
from lxml import etree
def askUrl(url):
head = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/17.1 Safari/605.1.15"
}
html=""
r = requests.get(url, headers = head)
html = r.text
parse = etree.HTML(html)
# 数据
# all_tr = parse.xpath('/html[@class="ua-mac ua-webkit book-new-nav"]/body/div[@id="wrapper"]/div[@id="content"]/div[@class="grid-16-8 clearfix"]/div[@class="article"]/div[@class="indent"]/table')
all_tr = parse.xpath('//*[@id="content"]/div/div[1]/div/table')
for tr in all_tr:
tr_data = {
'vover': ''.join(tr.xpath('./tr/td[1]/a/img/@src')).strip(), # 封面图
'name': ''.join(tr.xpath('./tr/td[2]/div[@class="pl2"]/a/text()')).strip(), # 书名
'author': ''.join(tr.xpath('./tr/td[2]/p[1]/text()')).strip(), # 作者
'quote': ''.join(tr.xpath('./tr/td[2]/p[2]/span/text()')).strip() # 引用
}
print(tr_data)
if __name__ == "__main__":
askUrl("https://book.douban.com/top250?start=0")
如果报错：
urllib3 v2 only supports OpenSSL 1.1.1+, currently the 'ssl' module is compiled with 'LibreSSL 2.8.3'.
解决方法：
pip3 install urllib3==1.26.15
结果如下：
数据，已经非常清晰了。
PS：使用parse.xpath，最重要的是获取到准确的xpath值。
两个方法：
方法一：Google Chrome浏览器插件：xpath helper。
效果如下：
弹出插件面板：cmd+shift+x。
选中：shift。
取到的值为：
# 原始值
/html[@class='ua-mac ua-webkit book-new-nav']/body/div[@id='wrapper']/div[@id='content']/div[@class='grid-16-8 clearfix']/div[@class='article']/div[@class='indent']/table[1]/tbody/tr[@class='item']
# 优化后的值（使用此值，去掉了tbody和[1]）
/html[@class='ua-mac ua-webkit book-new-nav']/body/div[@id='wrapper']/div[@id='content']/div[@class='grid-16-8 clearfix']/div[@class='article']/div[@class='indent']/table
方法二：Google Chrome浏览器，查看源代码。
取到的值为：
# 原始值
//*[@id="content"]/div/div[1]/div/table[1]/tbody/tr
# 优化后的值（使用此值，去掉了tbody和[1]）
//*[@id="content"]/div/div[1]/div/table
每一个字段对应的xpath值，也是这么获取。
4、导出excel文件
生成csv格式文件。
导入csv库：
import csv
导出cvs文件（第一页25条），代码如下：
import requests
from lxml import etree
import csv
def askUrl(url):
head = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/17.1 Safari/605.1.15"
}
html=""
r = requests.get(url, headers = head)
html = r.text
parse = etree.HTML(html)
# 数据
all_tr = parse.xpath('//*[@id="content"]/div/div[1]/div/table')
# 创建book.csv文件
with open('book.csv', 'a', encoding='utf_8_sig', newline='') as fp:
header = ['封面','名称', '作者', '引用']
writer = csv.writer(fp)
writer.writerow(header)
for tr in all_tr:
tr_data = {
'vover': ''.join(tr.xpath('./tr/td[1]/a/img/@src')).strip(), # 封面图
'name': ''.join(tr.xpath('./tr/td[2]/div[@class="pl2"]/a/text()')).strip(), # 书名
'author': ''.join(tr.xpath('./tr/td[2]/p[1]/text()')).strip(), # 作者
'quote': ''.join(tr.xpath('./tr/td[2]/p[2]/span/text()')).strip() # 引用
}
# print(tr_data)
# 写入数据行
with open('book.csv', 'a', encoding='utf_8_sig', newline='') as fp:
fieldnames = ['vover','name', 'author', 'quote']
writer = csv.DictWriter(fp, fieldnames)
writer.writerow(tr_data)
if __name__ == "__main__":
askUrl("https://book.douban.com/top250?start=0")
导出的book.csv文件（第一页），如下：
导出cvs文件（所有的250条），代码如下：
import requests
from lxml import etree
import csv
def askUrl(url):
head = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/17.1 Safari/605.1.15"
}
r = requests.get(url, headers = head)
html = r.text
# print(html)
parse = etree.HTML(html)
all_tr = parse.xpath('//*[@id="content"]/div/div[1]/div/table')
for tr in all_tr:
tr_data = {
'vover': ''.join(tr.xpath('./tr/td[1]/a/img/@src')).strip(), # 封面图
'name': ''.join(tr.xpath('./tr/td[2]/div[@class="pl2"]/a/text()')).strip(), # 书名
'author': ''.join(tr.xpath('./tr/td[2]/p[1]/text()')).strip(), # 作者
'quote': ''.join(tr.xpath('./tr/td[2]/p[2]/span/text()')).strip() # 引用
}
# print(tr_data)
# 写入数据行
with open('bookall.csv', 'a', encoding='utf_8_sig', newline='') as fp:
fieldnames = ['vover','name', 'author', 'quote']
writer = csv.DictWriter(fp, fieldnames)
writer.writerow(tr_data)
def getData(baseurl):
# 创建book.csv文件
with open('bookall.csv', 'a', encoding='utf_8_sig', newline='') as fp:
header = ['封面','名称', '作者', '引用']
writer = csv.writer(fp)
writer.writerow(header)
# 插入25页的数据
for i in range(0, 10):
url = baseurl + str(i * 25)
html = askUrl(url)
if __name__ == "__main__":
baseurl = "https://book.douban.com/top250?start="
getData(baseurl)
导出的book.csv文件（所有页250条数据），如下：文章来源：https://www.toymoban.com/news/detail-836030.html
文章来源地址https://www.toymoban.com/news/detail-836030.html
到了这里，关于【Python】01快速上手爬虫案例一：搞定豆瓣读书的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
