Python如何通过xpath属性爬取豆瓣热映的电影信息

本篇文章给大家分享的是有关python如何通过xpath属性爬取豆瓣热映的电影信息，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。

前言

声明一下：本文主要是研究使用，没有别的用途。

GitHub仓库地址：github项目仓库

页面分析

主要爬取页面为:https://movie.douban.com/cinema/nowplaying/nanjing/

至于后面的地区，可以按照自己的需要改一下，不过多赘述了。页面需要点击一下展开全部影片，才能显示全部内容，不然只有15部。所以我们使用selenium的时候，需要加一个打开页面后的点击逻辑。页面图如下：

通过F12展开的源码，用xpath helper工具验证一下右键复制下来的xpath路径。

为了避免布局调整导致找不到，我把xpath改为通过class名获取。

然后看看每个影片的信息。

分析一下，是不是可以通过nowplaying的div，作为根节点，然后获取下面class为list-item的节点，里面的属性就是我们要的内容。

没什么问题，那么就按照这个思路开始创建项目编码吧。

实现过程

创建项目

创建一个较douban_playing的项目，使用scrapy命令。

scrapy startproject douban_playing

Item定义

定义电影信息实体。

# Define here the models for your scraped items## See documentation in:# Https://docs.scrapy.org/en/latest/topics/items.html import scrapy  class DoubanPlayingItem(scrapy.Item):    # define the fields for your item here like:    # name = scrapy.Field()    # 电影名    title = scrapy.Field()    # 电影分数    score = scrapy.Field()    # 电影发行年份    release = scrapy.Field()    # 电影时长    duration = scrapy.Field()    # 地区    region = scrapy.Field()    # 电影导演    director = scrapy.Field()    # 电影主演    actors = scrapy.Field()

中间件操作定义

主要是点击展开全部影片，需要加一段代码。

# Define here the models for your spider middleware## See documentation in:# https://docs.scrapy.org/en/latest/topics/spider-middleware.htmlimport time from scrapy import signals # useful for handling different item types with a single interfacefrom itemadapter import is_item, ItemAdapterfrom scrapy.http import HtmlResponsefrom selenium.common.exceptions import TimeoutException  class DoubanPlayingSpiderMiddleware:    # Not all methods need to be defined. If a method is not defined,    # scrapy acts as if the spider middleware does not modify the    # passed objects.     @claSSMethod    def from_crawler(cls, crawler):        # This method is used by Scrapy to create your spiders.        s = cls()        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)        return s     def process_spider_input(self, response, spider):        # Called for each response that Goes through the spider        # middleware and into the spider.         # Should return None or raise an exception.        return None     def process_spider_output(self, response, result, spider):        # Called with the results returned from the Spider, after        # it has processed the response.         # Must return an iterable of Request, or item objects.        for i in result:            yield i     def process_spider_exception(self, response, exception, spider):        # Called when a spider or process_spider_input() method        # (from other spider middleware) raises an exception.         # Should return either None or an iterable of Request or item objects.        pass     def process_start_requests(self, start_requests, spider):        # Called with the start requests of the spider, and works        # similarly to the process_spider_output() method, except        # that it doesn't have a response associated.         # Must return only requests (not items).        for r in start_requests:            yield r     def spider_opened(self, spider):        spider.logger.info('Spider opened: %s' % spider.name)  class DoubanPlayingDownloaderMiddleware:    # Not all methods need to be defined. If a method is not defined,    # scrapy acts as if the downloader middleware does not modify the    # passed objects.     @classmethod    def from_crawler(cls, crawler):        # This method is used by Scrapy to create your spiders.        s = cls()        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)        return s     def process_request(self, request, spider):        # Called for each request that goes through the downloader        # middleware.         # Must either:        # - return None: continue processing this request        # - or return a Response object        # - or return a Request object        # - or raise IgnoreRequest: process_exception() methods of        #   installed downloader middleware will be called        # return None        try:            spider.browser.get(request.url)            spider.browser.maximize_window()            time.sleep(2)            spider.browser.find_element_by_xpath("/*;q=0.8',    'Accept-Language': 'en',    'User-Agent': 'Mozilla/5.0 (windows NT 6.2; WOW64) AppleWEBKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36'} # Enable or disable spider middlewares# See https://docs.scrapy.org/en/latest/topics/spider-middleware.htmlSPIDER_MIDDLEWARES = {   'douban_playing.middlewares.DoubanPlayingSpiderMiddleware': 543,} # Enable or disable downloader middlewares# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.htmlDOWNLOADER_MIDDLEWARES = {   'douban_playing.middlewares.DoubanPlayingDownloaderMiddleware': 543,} # Enable or disable extensions# See https://docs.scrapy.org/en/latest/topics/extensions.html#EXTENSIONS = {#    'scrapy.extensions.telnet.TelnetConsole': None,#} # Configure item pipelines# See https://docs.scrapy.org/en/latest/topics/item-pipeline.htmlITEM_PIPELINES = {   'douban_playing.pipelines.DoubanPlayingPipeline': 300,} # Enable and configure the AutoThrottle extension (disabled by default)# See https://docs.scrapy.org/en/latest/topics/autothrottle.html#AUTOTHROTTLE_ENABLED = True# The initial download delay#AUTOTHROTTLE_START_DELAY = 5# The maximum download delay to be set in case of high latencies#AUTOTHROTTLE_MAX_DELAY = 60# The average number of requests Scrapy should be sending in parallel to# each remote server#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0# Enable showing throttling stats for every response received:#AUTOTHROTTLE_DEBUG = False # Enable and configure HTTP caching (disabled by default)# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings#HTTPCACHE_ENABLED = True#HTTPCACHE_EXPIRATION_SECS = 0#HTTPCACHE_DIR = 'httpcache'#HTTPCACHE_IGNORE_HTTP_CODES = []#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

执行验证

还是老样子，不直接使用scrapy命令，构造一个py执行cmd。注意该py的位置。

看一下执行后的结果。

完美！

以上就是Python如何通过xpath属性爬取豆瓣热映的电影信息，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注编程网Python频道。