python使用BeautifulSoup与正则表达式爬取时光网不同地区top100电影并对比

Python  /  管理员 发布于 7年前   138

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

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

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，谢谢大家的支持。