还有一年多就要毕业了,不准备考研的我要着手准备找实习及工作了,所以一直没有更新。
因为python是自学不久,发现很久不用的话以前学过的很多方法就忘了,今天打算使用简单的BeautifulSoup和一点正则表达式的方法来爬一下top100电影,当然,我们并不仅是使用爬虫爬取数据,这样的话,数据中存在很多的对人有用的信息则被忽略了。所以,爬取数据只是开头,对这些数据根据意愿进行分析,或许能有额外的收获。
注:本人还是Python菜鸟,若有错误欢迎指正
转载请标明出处
由上图可知电影信息在 li 节点内,而且发现第一页与后面网页地址不同,需要进行判断。
第一页地址为:http://www.mtime.com/top/movie/top100/
第二页地址为:http://www.mtime.com/top/movie/top100/index-2.html
第三页及后面地址均与第二页相似,仅网址的数字相应增加,所以更改数字即可爬取
1 import requests
2 from bs4 import BeautifulSoup
3 import re
4 import csv
5
6 #定义爬取函数
7 def get_infos(htmls, csvname):
8 #信息头
9 headers = {
10 'User-Agent': 'Mozilla/5.0 (windows NT 6.1; Win64; x64) AppleWEBKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
11 }
12 #flag在写入文件时判断是否为首行
13 flag = True
14 #判断第一页网址,第二页及其后的网址
15 for i in range(10):
16 if i == 0:
17 html = htmls
18 else:
19 html = htmls + 'index-{}.html'.fORMat(str(i+1))
20 res = requests.get(html, headers=headers)
21 soup = BeautifulSoup(res.text, 'lxml')
22 alls = soup.select('#asyncRatingRegion > li') #选取网页的li节点的内容
23 #对节点内容进行循环遍历
24 for one in alls:
25 paiming = one.div.em.string #排名
26 names = str(one.select('div.mov_pic > a')) #电影名称并将列表字符串化
27 name = re.findall('.*?title="(.*?)">.*?', names, re.S)[0] #使用正则表达式提取内容
28 content = str(one.select('div.mov_con > p.mt3')) #评论
29 realcontent = re.findall('.*?mt3">(.*?)</p>', content, re.S)[0] #同上
30 p1 = one.find(name='span', attrs={'class': 'total'}, text=re.compile('\d')) #评分在两个节点,
31 p2 = one.find(name='span', attrs={'class': 'total2'}, text=re.compile('.\d'))
32 #判断评分是否为空
33 if p1 and p2 != None:
34 p1 = p1.string
35 p2 = p2.string
36 else:
37 p1 = 'no'
38 p2 = ' point'
39 point = p1 + p2 + '分'
40 numbers = one.find(text=re.compile('评分')) #评分数量
41 # 保存为csv
42 csvnames = 'C:\\Users\lenovo\Desktop\\' + csvname + '.csv'
43 with open(csvnames, 'a+', encoding='utf-8') as f:
44 writer = csv.writer(f)
45 if flag:
46 writer.writerow(('paiming', 'name', 'realcontent', 'point', 'numbers'))
47 writer.writerow((paiming, name, realcontent, point, numbers))
48 flag = False
49
50 #调用函数
51 Japan_html = 'http://www.mtime.com/top/movie/top100_japan/'
52 csvname1 = 'Japan_top'
53 get_infos(Japan_html, csvname1)
54
55 Korea_html = 'http://www.mtime.com/top/movie/top100_south_korea/'
56 csvname2 = 'Korea_top'
57 get_infos(Korea_html, csvname2)
这里要注意的是要有些电影没有评分,为了预防出现这种情况,所以要进行判断
注:上述没有添加华语电影top100及所有电影top100的代码,可自行添加。
爬取结果部分内容如下:
-----------------------------------------------------------------------------------------------------------------------------------------------------------------
步骤二和三:导入数据并使用matplotlib分析,保存分析图片
1 import csv
2 from matplotlib import pyplot as plt
3 #中文乱码处理
4 plt.rcParams['font.sans-serif'] =['Microsoft YaHei']
5 plt.rcParams['axes.unicode_minus'] = False
6
7 def read_csv(csvname):
8 csvfile_name = 'C:\\Users\lenovo\Desktop\\' + csvname + '.csv'
9 #打开文件并存入列表
10 with open(csvfile_name,encoding='utf-8') as f:
11 reader = csv.reader(f)
12 header_row = next(reader)
13 name = []
14 for row in reader:
15 name.append(row)
16 #取列表中非空元素
17 real = []
18 for i in name:
19 if len(i) != 0:
20 real.append(i)
21 #去除中文并将数据转换为整形
22 t = 0
23 ss = []
24 for j in real:
25 ss.append(int(real[t][4][:-5]))
26 t += 1
27 return ss
28
29 #绘制对比图形
30 All_plt = read_csv('bs1') #调用函数
31 China_plt = read_csv('China_top')
32 Japan_plt = read_csv('Japan_top')
33 Korea_plt = read_csv('Korea_top')
34 shu = list(range(1,101))
35 fig = plt.figure(dpi=128, figsize=(10, 6)) #设置图形界面
36 plt.subplot(2,1,1)
37 plt.bar(shu ,All_plt, align='center', color='green', label='World', alpha=0.6) #绘制条图形,align指定横坐标在中心,颜色,alpha指定透明度
38 plt.bar(shu ,China_plt, color='indiGo', label='China', alpha=0.4) #绘制图形,颜色, label属性用于后面使用legend方法时显示图例标签
39 plt.bar(shu ,Japan_plt, color='blue', label='Japan',alpha=0.5) #绘制图形,颜色,
40 plt.bar(shu ,Korea_plt, color='yellow', label='Korea',alpha=0.5) #绘制图形,颜色,
41 plt.ylabel('评论数', fontsize=10) #纵坐标题目,字体大小
42 plt.title('不同地区的电影top100对比', fontsize=10) #图形标题
43 plt.legend(loc='best')
44
45 plt.subplot(2,1,2)
46 plt.plot(shu , All_plt, linewidth=1, c='green', label='World') #绘制图形,指定线宽,颜色,label属性用于后面使用legend方法时显示图例标签
47 plt.plot(shu ,China_plt, linewidth=1, c='indigo', label='China', ls='-.') #绘制图形,指定线宽,颜色,
48 plt.plot(shu ,Japan_plt, linewidth=1, c='green', label='Japan', ls='--') #绘制图形,指定线宽,颜色,
49 plt.plot(shu ,Korea_plt, linewidth=1, c='red', label='Korea', ls=':') #绘制图形,指定线宽,颜色,
50 plt.ylabel('comments', fontsize=10) #纵坐标题目,字体大小
51 plt.title('The different top 100 movies\'comments comparison', fontsize=10) #图形标题
52 plt.legend(loc='best')
53 '''
54 plt.legend()——loc参数选择
55 'best' : 0, #自动选择最好位置
56 'upper right' : 1,
57 'upper left' : 2,
58 'lower left' : 3,
59 'lower right' : 4,
60 'right' : 5,
61 'center left' : 6,
62 'center right' : 7,
63 'lower center' : 8,
64 'upper center' : 9,
65 'center' : 10,
66 '''
67 plt.savefig('C:\\Users\lenovo\Desktop\\bs1.png') #保存图片
68 plt.show() #显示图形
这里需要注意的是读取保存的csv文件并将数据传入列表时,每一个电影数据又是一个列表(先称为有效列表),每个有效列表前后都有一个空列表,所以需要将空列表删除,才能进行下一步
评分数据为string类型且有中文,所以进行遍历将中文去除并转换为int。
最后保存的对比分析图片:
本次使用的爬取方法、爬取内容、分析内容都很容易,但我在完成过程中,发现自己还是会出现各种各样的问题,说明还有很多需要改善进步的地方。
同时欢迎大家指正。