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 requestsfrom bs4 import beautifulsoupimport reimport 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 csvfrom matplotlib import pyplot as plt#中文乱码处理plt.rcparams['font.sans-serif'] =['microsoft yahei']plt.rcparams['axes.unicode_minus'] = falsedef 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
