使用BeautifulSoup和正则表达式爬取时光网不一样地区top100电影并使用Matplotlib对比

还有一年多就要毕业了，不许备考研的我要着手准备找实习及工做了，因此一直没有更新。

由于Python是自学不久，发现好久不用的话之前学过的不少方法就忘了，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，固然，咱们并不只是使用爬虫爬取数据，这样的话，数据中存在不少的对人有用的信息则被忽略了。因此，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：本人仍是Python菜鸟，如有错误欢迎指正

　　转载请标明出处

---

本次咱们爬取时光网（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电影的排名状况，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，并且发现第一页与后面网页地址不一样，须要进行判断。

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类似，仅网址的数字相应增长，因此更改数字便可爬取

 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，为了预防出现这种状况，因此要进行判断

注：上述没有添加华语电影top100及全部电影top100的代码，可自行添加。

爬取结果部份内容以下：

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

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('不一样地区的电影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

 

这里须要注意的是读取保存的csv文件并将数据传入列表时，每个电影数据又是一个列表（先称为有效列表），每一个有效列表先后都有一个空列表，因此须要将空列表删除，才能进行下一步

评分数据为string类型且有中文，因此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，但我在完成过程当中，发现本身仍是会出现各类各样的问题，说明还有不少须要改善进步的地方。

同时欢迎你们指正。