小白学习爬虫
爬取豆瓣TOP250的书，正好本人也喜欢看书
思路分析：
/top250这是TOP250第一页的链接
/top250?start=25第二页的链接
/top250?start=50第三页的链接
将第一页链接改为/top250?start=0也是可以访问的，每一页数字加25，构建10页网址
代码如下：
urls = ['/top250?start={}'.format(str(i))for i in range(0,250,25)]
获取的书单信息包括：书名，详细链接，作者，出版社，出版时间，价格，评分和简评
详细代码如下：
import requestsfrom lxml import etreeimport csvheaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}f = open('C:/Users/qinhan/Desktop/doubanbook.scv','wt',newline='',encoding='utf-8')writer = csv.writer(f)writer.writerow(('name','url','author','publisher','data','price','rate','comment'))#创建csvurls = ['/top250?start={}'.format(str(i))for i in range(0,250,25)]for url in urls:html = requests.get(url,headers = headers)#加入请求头selector = etree.HTML(html.text)infos = selector.xpath('//tr[@class="item"]') #取大标签（1）for info in infos:name = info.xpath('td/div/a/@title')[0] url = info.xpath('td/div/a/@href')[0]book_info = info.xpath('td/p/text()')[0] #/text()获取标签中文字信息author = book_info.split('/')[0]publisher = book_info.split('/')[-3] data = book_info.split('/')[-2]price = book_info.split('/')[-1] #（2）rate = info.xpath('td/div/span[2]/text()')[0]comments = info.xpath('td/p/span/text()')comment = comments[0] if len(comments) != 0 else "空"writer.writerow((name,url,author,publisher,data,price,rate,comment))f.close()
（1）大标签
先抓大后抓小，找到循环点，这里循环点即为：
//tr[@class="item #选取所有tr元素，且这些元素拥有值为item的class属性
（2）最初想的是0 1 2 3
author = book_info.split('/')[0]
publisher = book_info.split('/')[1]
data = book_info.split('/')[2]
price = book_info.split('/')[3]
结果保存下来如图:
这里犯了想当然的错误，不是所有的都是按作者，出版社，出版时间和价格排列的，作者一栏还有翻译作者如图：
故1，2，3，4肯定有错，而1，-3，-2，-1则没问题
