前言
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
本次我们爬取时光网（http://www.mtime.com/top/movie/top100/）上的电影排名，该网站网页结构较简单，爬取方便。
步骤：
1.爬取时光网top100电影，华语top100电影，日本top100电影，韩国top100电影的排名情况，电影名字，电影简介，评分及评价人数
2. 将爬取数据保存为csv格式后，取出并使用matplotlib绘图库分析对比评论人数一项
3.将结果图像保存
步骤一：爬取
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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
|
import requests
from bs4 import beautifulsoup
import re
import csv
#定义爬取函数
def get_infos(htmls, csvname):
#信息头
headers = {
'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'
}
#flag在写入文件时判断是否为首行
flag = true
#判断第一页网址，第二页及其后的网址
for i in range(10):
if i == 0:
html = htmls
else:
html = htmls + 'index-{}.html'.format(str(i+1))
res = requests.get(html, headers=headers)
soup = beautifulsoup(res.text, 'lxml')
alls = soup.select('#asyncratingregion > li') #选取网页的li节点的内容
#对节点内容进行循环遍历
for one in alls:
paiming = one.div.em.string #排名
names = str(one.select('div.mov_pic > a')) #电影名称并将列表字符串化
name = re.findall('.*?title="(.*?)">.*?', names, re.s)[0] #使用正则表达式提取内容
content = str(one.select('div.mov_con > p.mt3')) #评论
realcontent = re.findall('.*?mt3">(.*?)</p>', content, re.s)[0] #同上
p1 = one.find(name='span', attrs={'class': 'total'}, text=re.compile('\d')) #评分在两个节点，
p2 = one.find(name='span', attrs={'class': 'total2'}, text=re.compile('.\d'))
#判断评分是否为空
if p1 and p2 != none:
p1 = p1.string
p2 = p2.string
else:
p1 = 'no'
p2 = ' point'
point = p1 + p2 + '分'
numbers = one.find(text=re.compile('评分')) #评分数量
# 保存为csv
csvnames = 'c:\\users\lenovo\desktop\\' + csvname + '.csv'
with open(csvnames, 'a+', encoding='utf-8') as f:
writer = csv.writer(f)
if flag:
writer.writerow(('paiming', 'name', 'realcontent', 'point', 'numbers'))
writer.writerow((paiming, name, realcontent, point, numbers))
flag = false
#调用函数
japan_html = 'http://www.mtime.com/top/movie/top100_japan/'
csvname1 = 'japan_top'
get_infos(japan_html, csvname1)
korea_html = 'http://www.mtime.com/top/movie/top100_south_korea/'
csvname2 = 'korea_top'
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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
|
import csv
from matplotlib import pyplot as plt
#中文乱码处理
plt.rcparams['font.sans-serif'] =['microsoft yahei']
plt.rcparams['axes.unicode_minus'] = false
def read_csv(csvname):
csvfile_name = 'c:\\users\lenovo\desktop\\' + csvname + '.csv'
#打开文件并存入列表
with open(csvfile_name,encoding='utf-8') as f:
reader = csv.reader(f)
header_row = next(reader)
name = []
for row in reader:
name.append(row)
#取列表中非空元素
real = []
for i in name:
if len(i) != 0:
real.append(i)
#去除中文并将数据转换为整形
t = 0
ss = []
for j in real:
ss.append(int(real[t][4][:-5]))
t += 1
return ss
#绘制对比图形
all_plt = read_csv('bs1') #调用函数
china_plt = read_csv('china_top')
japan_plt = read_csv('japan_top')
korea_plt = read_csv('korea_top')
shu = list(range(1,101))
fig = plt.figure(dpi=128, figsize=(10, 6)) #设置图形界面
plt.subplot(2,1,1)
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
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
plt.bar(shu ,japan_plt, color='blue', label='japan',alpha=0.5) #绘制图形，颜色，
plt.bar(shu ,korea_plt, color='yellow', label='korea',alpha=0.5) #绘制图形，颜色，
plt.ylabel('评论数', fontsize=10) #纵坐标题目，字体大小
plt.title('不同地区的电影top100对比', fontsize=10) #图形标题
plt.legend(loc='best')
plt.subplot(2,1,2)
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
plt.plot(shu ,china_plt, linewidth=1, c='indigo', label='china', ls='-.') #绘制图形,指定线宽，颜色，
plt.plot(shu ,japan_plt, linewidth=1, c='green', label='japan', ls='--') #绘制图形,指定线宽，颜色，
plt.plot(shu ,korea_plt, linewidth=1, c='red', label='korea', ls=':') #绘制图形,指定线宽，颜色，
plt.ylabel('comments', fontsize=10) #纵坐标题目，字体大小
plt.title('the different top 100 movies\'comments comparison', fontsize=10) #图形标题
plt.legend(loc='best')
'''
plt.legend()——loc参数选择
'best' : 0, #自动选择最好位置
'upper right' : 1,
'upper left' : 2,
'lower left' : 3,
'lower right' : 4,
'right' : 5,
'center left' : 6,
'center right' : 7,
'lower center' : 8,
'upper center' : 9,
'center' : 10,
'''
plt.savefig('c:\\users\lenovo\desktop\\bs1.png') #保存图片
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。
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对服务器之家的支持。
原文链接：https://www.cnblogs.com/berryguotoshare/p/10587707.html