豆瓣电影top250信息爬取

摘要

python的网络爬虫可以方便抓取网页的消息，本文以豆瓣网站为例，实现了python网络爬虫抓取豆瓣电影排行榜top250的过程，以及其中遇到的问题和解决过程。

1．引言

网络爬虫又称网络蜘蛛，或网络机器人。是一种按照一定的规则，自动的抓取万维网信息的程序或者脚本。网络爬虫通过网页的链接地址来查找网页内容，并直接返回给用户所需要的数据，不需要人工操纵浏览器获取。Python 是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言，具有易于学习、易于维护等优点，其自带了urlib、urlib2等库满足了爬虫的基本使用，同时网络爬虫对于python的入门具有非常大的帮助。

2．系统结构

在这里插入图片描述
分别使用了Beautiful Soup模块以及csv模块
Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。所以不需要考虑编码方式。
CSV模块之中实现了读写CSV格式文件的一些类，他可以让你的程序以一种更容易被Excel处理的格式来输出或者读入数据，而不必纠结于CSV文件的一些麻烦的小细节。而且CSV模块可以让你更自由的定制你想要的CSV格式文件。

3. 实现代码

数据的抓取

import requests
import tkinter
import unicodecsv as csv
from bs4 import BeautifulSoup
from tkinter import *

首先导入几个基本的库：
Request相对于urllib来说既能满足需求，而且更加方便，
Tkinter为之后的gui界面设计提供条件，
Csv模块能让结果输出成csv文件，方便数据的处理，
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能，通过解析文档为用户提供需要抓取的数据。
在这里插入图片描述
打开网页豆瓣电影top250，f12进行观察分析。
网址为：https://movie.douban.com/top250?start=0&filter=

通过分析观察得知，每次点下一页，则start增加25，且start初始值为0。

start = 0

使变量start=0，表示从第一页开始。

result = []

其次定义存储结果的列表result

header={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
}

f12，在Headers中找到User-Agent，代码中定义headers，模拟浏览器访问。

for i in range(0,10):#250部电影，一页25部html = requests.get('https://movie.douban.com/top250?start='+str(start)+'&filter=',headers=header)html.encoding = 'utf-8'

for循环抓取每页信息，共10页，利用requests发送请求，因为返回要求为中文，所以定义编码格式为utf-8。

start+=25

每循环一次跳转下一页，start增加25。

 for item in soup.find_all('div','info'):#搜索以该标签为起始的内容title = item.div.a.span.string

该段代码首先f12观察规律
在这里插入图片描述

经过对比发现关于电影的部分都是以该标签为起始，再次观察定位标题部分的位置，最后捕捉。

 try:intro = item.find('span',{'class':'inq'}).string#获取电影简介except AttributeError:pass

在获取简介时出现AttributeError类型异常，为保证程序正常运行，捕捉异常但不进行处理。

about = item.find('div','bd').p.contents[2].stringabout = about.replace('\n','')#去掉分行about = about.replace(' ', '')#去掉空格about1 = about.split('\xa0/\xa0')#去掉\xa0字符year = about1[0]#获取电影拍摄时间country = about1[1]#获取电影拍摄国家people = item.find('div', 'bd').p.contents[0].stringpeople = people.replace('\n','')#去掉分行people = people.replace(' ','')#去掉空格people = people.split('   ',1)#将该行信息分成导演与演员director = people[0]#获取电影拍摄导演rating = item.find('span',{'class':'rating_num'}).get_text()#获取电影评分result.append([title,year,director,rating,country,intro])#结果传入resul

分别捕捉导演、评分、时间、国家等信息
在这里插入图片描述
网页中，这些信息都会有空格以及分行等因素干扰，使用replace（）去掉分行和空格。又因为发现输出结果中有空白符\xa0，所以使用split（）去掉结果中的空白符，并使该行内容分为时间和国家两部分。最后把所有结果传入result。

with open('text.csv','wb') as f:w = csv.writer(f)w.writerows(result)
#将结果保存为csv文件
print(result)

使用with open语句写入文件，writerows（）可将写入的结果分行。

数据可视化的实现

import collections
import pandas as pd
from matplotlib import pyplot as plt

collections模块提供计数功能
pandas模块进行数据分析
matplotlib模块提供绘图功能

df = pd.read_excel("data.xlsx")
# 读取表格数据
show_time = list(df["year"])
#时间列表
show_time_count = collections.Counter(show_time)
show_time_count = show_time_count.most_common(10)
#Counter方法设立计数器，统计前十的年份
show_time_dic = {k: v for k, v in show_time_count}
# 字典推导式更换年份和次数排行
show_time = sorted(show_time_dic)
# 按年份从小到大排序
counts = [show_time_dic[k] for k in show_time]
# 高分电影数量

统计前十年份并排序

plt.figure(figsize=(9, 6), dpi=100)
#设定宽高和分辨率
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
# 设置字体
plt.bar(show_time, counts, width=0.5, color="cyan")
# 绘制条形图
plt.yticks(range(0, 16, 2))
#重新设置y轴刻度
plt.xlabel("年份")
plt.ylabel("高分电影数量")
plt.title("高分电影数量最多年份Top10", fontsize=15)
# 添加描述信息
plt.grid(alpha=0.2, linestyle=":", c='r')
# 添加网格、网格的透明度、线条样式
plt.show()

设置可视化界面

4.实验

实验结果如下
在这里插入图片描述
表格打开

可视化处理

5. 总结和展望

经过本次实验后，我了解到了python网络爬虫的部分运用，利用Beautiful Soup模块可以获取网页的内容，并通过正则表达式提取分析所需要的信息。遗憾的是，设想中电影预告片的下载与gui界面的设计由于时间原因并未实现，希望在这次作业之后，能在假期将所有功能完善。此次实验也让我对python的功能与便捷有了进一步的理解，python是一门较好入门的语言，具有很大的潜力，希望能在以后的学习中更加深入挖掘python的功能，掌握其更多知识。