import requests from lxml import html url='https://movie.douban.com/' #需要爬数据的网址 page=requests.Session().get(url) tree=html.fromstring(page.text) result=tree.xpath('//td[@class="title"]//a/text()') #获取需要的数据
下面开始简单介绍如何写爬虫。
爬虫前，我们首先简单明确两点：
1. 爬虫的网址；
2. 需要爬取的内容（数据）。
第一步，爬虫的网址，这个…那就豆瓣吧，我也不知道为啥爬虫教程都要拿豆瓣开刀–！
第二部，需要爬取的内容（数据）。
这也正是上面6行代码中的最后一行，也可能是新手觉得最难的地方了。代码的这个部分就是获取数据。
'//td[@class="title"]//a/text()'
1
下面来一步一步操作如何写出上面的那行代码
1. 打开网址https://movie.douban.com/，然后按一下F12。
2. 鼠标点击图中的按钮。
鼠标点击需要爬取的数据，这里我们点“看不见的客人”，如图所示。
看到大红色框框里的东西，是不是和我们最“重要”的代码有很多相似的地方。
再看来最后一行代码中最“重要”的部分。
‘//td[@class=”title”]//a/text()’
//td ：这个相当于指定是大目录；
[@class=”title”]：这个相当于指定的小目录；
//a ：这个相当于最小的目录；
/text()：这个是提取其中的数据。
爬虫介绍结束，看完你也该试试手了。
试试爬“即将上映”
这个只需将最后一行代码改成
result=tree.xpath('//li[@class="title"]//a/text()')
如图所示“即将上映”的电影就被你爬下来了。
是不是感觉爬虫很简单，已经会了。
现实中，在爬虫乎面临很多问题，比如：
1. 页面规则不统一；
2. 爬下来的数据处理；
3. 反爬虫机制。
还有很多类似的各种问题，想要深入变成大神，还是需要一步一步来，5分钟变大神是不可能啦~~！
上面6行代码包括的内容有python requests包，html知识，XPATH等。网上资料很多，这里就不做介绍了。