快捷導(dǎo)航

python使用BeautifulSoup與正則表達(dá)式爬取時(shí)光網(wǎng)不同地區(qū)top100電影并對(duì)比

更新時(shí)間：2019年04月15日 09:51:53 作者：Berryguo

這篇文章主要給大家介紹了關(guān)于python使用BeautifulSoup與正則表達(dá)式爬取時(shí)光網(wǎng)不同地區(qū)top100電影并對(duì)比的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家學(xué)習(xí)或者使用python具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面來一起學(xué)習(xí)學(xué)習(xí)吧

前言

還有一年多就要畢業(yè)了，不準(zhǔn)備考研的我要著手準(zhǔn)備找實(shí)習(xí)及工作了，所以一直沒有更新。

因?yàn)镻ython是自學(xué)不久，發(fā)現(xiàn)很久不用的話以前學(xué)過的很多方法就忘了，今天打算使用簡單的BeautifulSoup和一點(diǎn)正則表達(dá)式的方法來爬一下top100電影，當(dāng)然，我們并不僅是使用爬蟲爬取數(shù)據(jù)，這樣的話，數(shù)據(jù)中存在很多的對(duì)人有用的信息則被忽略了。所以，爬取數(shù)據(jù)只是開頭，對(duì)這些數(shù)據(jù)根據(jù)意愿進(jìn)行分析，或許能有額外的收獲。

注：本人還是Python菜鳥，若有錯(cuò)誤歡迎指正

本次我們爬取時(shí)光網(wǎng)（http://www.mtime.com/top/movie/top100/）上的電影排名，該網(wǎng)站網(wǎng)頁結(jié)構(gòu)較簡單，爬取方便。

步驟：

1.爬取時(shí)光網(wǎng)top100電影，華語top100電影，日本top100電影，韓國top100電影的排名情況，電影名字，電影簡介，評(píng)分及評(píng)價(jià)人數(shù)　　　　

2. 將爬取數(shù)據(jù)保存為csv格式后，取出并使用matplotlib繪圖庫分析對(duì)比評(píng)論人數(shù)一項(xiàng)　　　

3.將結(jié)果圖像保存

步驟一：爬取

由上圖可知電影信息在 li 節(jié)點(diǎn)內(nèi)，而且發(fā)現(xiàn)第一頁與后面網(wǎng)頁地址不同，需要進(jìn)行判斷。

第一頁地址為：http://www.mtime.com/top/movie/top100/

第二頁地址為：http://www.mtime.com/top/movie/top100/index-2.html

第三頁及后面地址均與第二頁相似，僅網(wǎng)址的數(shù)字相應(yīng)增加，所以更改數(shù)字即可爬取

import requests
from bs4 import BeautifulSoup
import re
import csv

#定義爬取函數(shù)
def get_infos(htmls, csvname):
 #信息頭
 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在寫入文件時(shí)判斷是否為首行
 flag = True
 #判斷第一頁網(wǎng)址，第二頁及其后的網(wǎng)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') #選取網(wǎng)頁的li節(jié)點(diǎn)的內(nèi)容
 #對(duì)節(jié)點(diǎn)內(nèi)容進(jìn)行循環(huán)遍歷
 for one in alls:
  paiming = one.div.em.string #排名
  names = str(one.select('div.mov_pic > a')) #電影名稱并將列表字符串化
  name = re.findall('.*?title="(.*?)">.*?', names, re.S)[0] #使用正則表達(dá)式提取內(nèi)容
  content = str(one.select('div.mov_con > p.mt3')) #評(píng)論
  realcontent = re.findall('.*?mt3">(.*?)</p>', content, re.S)[0] #同上
  p1 = one.find(name='span', attrs={'class': 'total'}, text=re.compile('\d')) #評(píng)分在兩個(gè)節(jié)點(diǎn)，
  p2 = one.find(name='span', attrs={'class': 'total2'}, text=re.compile('.\d'))
  #判斷評(píng)分是否為空
  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('評(píng)分')) #評(píng)分?jǐn)?shù)量
  # 保存為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

#調(diào)用函數(shù)
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)

這里要注意的是要有些電影沒有評(píng)分，為了預(yù)防出現(xiàn)這種情況，所以要進(jìn)行判斷

注：上述沒有添加華語電影top100及所有電影top100的代碼，可自行添加。

爬取結(jié)果部分內(nèi)容如下：

-----------------------------------------------------------------------------------------------------------------------------------------------------------------

步驟二和三：導(dǎo)入數(shù)據(jù)并使用matplotlib分析，保存分析圖片

import csv
from matplotlib import pyplot as plt
#中文亂碼處理
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'
 #打開文件并存入列表
 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)
 #去除中文并將數(shù)據(jù)轉(zhuǎn)換為整形
 t = 0
 ss = []
 for j in real:
 ss.append(int(real[t][4][:-5]))
 t += 1
 return ss

#繪制對(duì)比圖形
All_plt = read_csv('bs1') #調(diào)用函數(shù)
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)) #設(shè)置圖形界面
plt.subplot(2,1,1)
plt.bar(shu ,All_plt, align='center', color='green', label='World', alpha=0.6) #繪制條圖形,align指定橫坐標(biāo)在中心，顏色，alpha指定透明度
plt.bar(shu ,China_plt, color='indigo', label='China', alpha=0.4) #繪制圖形，顏色， label屬性用于后面使用legend方法時(shí)顯示圖例標(biāo)簽
plt.bar(shu ,Japan_plt, color='blue', label='Japan',alpha=0.5) #繪制圖形，顏色，
plt.bar(shu ,Korea_plt, color='yellow', label='Korea',alpha=0.5) #繪制圖形，顏色，
plt.ylabel('評(píng)論數(shù)', fontsize=10) #縱坐標(biāo)題目，字體大小
plt.title('不同地區(qū)的電影top100對(duì)比', fontsize=10) #圖形標(biāo)題
plt.legend(loc='best')

plt.subplot(2,1,2)
plt.plot(shu , All_plt, linewidth=1, c='green', label='World') #繪制圖形,指定線寬，顏色，label屬性用于后面使用legend方法時(shí)顯示圖例標(biāo)簽
plt.plot(shu ,China_plt, linewidth=1, c='indigo', label='China', ls='-.') #繪制圖形,指定線寬，顏色，
plt.plot(shu ,Japan_plt, linewidth=1, c='green', label='Japan', ls='--') #繪制圖形,指定線寬，顏色，
plt.plot(shu ,Korea_plt, linewidth=1, c='red', label='Korea', ls=':') #繪制圖形,指定線寬，顏色，
plt.ylabel('comments', fontsize=10) #縱坐標(biāo)題目，字體大小
plt.title('The different top 100 movies\'comments comparison', fontsize=10) #圖形標(biāo)題
plt.legend(loc='best')
'''
plt.legend()——loc參數(shù)選擇
'best' : 0, #自動(dòng)選擇最好位置 
 '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') #保存圖片
plt.show() #顯示圖形

這里需要注意的是讀取保存的csv文件并將數(shù)據(jù)傳入列表時(shí)，每一個(gè)電影數(shù)據(jù)又是一個(gè)列表（先稱為有效列表），每個(gè)有效列表前后都有一個(gè)空列表，所以需要將空列表刪除，才能進(jìn)行下一步

評(píng)分?jǐn)?shù)據(jù)為string類型且有中文，所以進(jìn)行遍歷將中文去除并轉(zhuǎn)換為int。

最后保存的對(duì)比分析圖片：