Python爬虫经典案例详解：爬取豆瓣电影写入Excel表格
-
解析数据
-
我们需要使用BeautifulSoup这个功能模块来把充满尖括号的html数据变为更好用的格式。
-
from bs4 import BeautifulSoup这个是说从(from)bs4这个功能模块中导入BeautifulSoup，是的，因为bs4中包含了多个模块，BeautifulSoup只是其中一个。
-
soup = BeautifulSoup(html.text, ‘html.parser’)这句代码就是说用html解析器(parser)来分析我们requests得到的html文字内容，soup就是我们解析出来的结果。
-
For循环
-
豆瓣页面上有25部电影，而我们需要抓取每部电影的标题、导演、年份等等信息。就是说我们要循环25次，操作每一部电影。for item in soup.find_all(‘div’,“info”):就是这个意思。
-
首先我们在豆瓣电影页面任意电影标题【右键-检查】（比如“肖申克的救赎”），打开Elements元素查看器。
find_all(‘div’,“info”)，find是查找，find_all就是查找全部，查找什么呢？查找标记名是div并且class属性是info的全部元素，也就是会得到25个这样的元素的集合。
for item in 集合:的含义就是针对集合中的每个元素，循环执行冒号：后面的代码，也就是说，下面的几行代码都是针对每部电影元素(临时叫做item)执行的.
-
获取电影标题
-
title=item.div.a.span.string中item代表的是上面图片中的整个div元素(class=‘info’)，那么它下一层（子层）div再下一层a再下一层span(class='title’的)里面的文字“肖申克的救赎”就是我们需要的电影标题，所以是.div.a.span然后取内容.string
注意，一层层的点下去的方法只适合于获取到每层的第一个元素，比如前面图中我们知道实际有三个span，其他两个英文名、其他译名，但我们只取到第一个。
- 获取年份段落
yearline=item.find(‘div’,‘bd’).p.contents[2].string这句话综合了find_all和.p两种方法，取到了item下面第二个div（class=‘bd’)。
.contents[2]是取得这一行第3个文字小节,content单词是内容的意思，
标记将整个p标记内容分成了三段（0段，1段，2段）。
br将contents内容分为三段
所以，yearline=item.find(‘div’,‘bd’).p.contents[2].string这句话得到的是1994 / 美国 / 犯罪 剧情这行，但实际上它还包含了很多空格和回车换行符号的。所以我们再使用两个replace替换掉空格和回车。replace是替换的意思，在数据里\n是表示换行回车。
yearline=yearline.replace(' ','') #去掉这一行的空格
yearline=yearline.replace('\n','') #去掉这一行的回车换行
-
获取年份数字
-
经过上面的处理，我们得到了干净的1994 / 美国 / 犯罪 剧情，我们只要截取前面4个数字就可以了，也就是从第0个字符截取到第4个字符之前（0，1，2，3），我们使用year=yearline[0:4]就可以实现。
-
输出和复制到excel
-
print(title,’\t’,year)，中间的’\t’是制表符，我们可以直接鼠标选择output输出的内容，右键复制，然后打开excel新建空白文件，然后选择合适的表格区域范围，【右键-选择性粘贴】弹窗中选择Unicode文本，就可以把数据粘贴到excel表格中。
- 采集更多电影
上面代码只是帮我们输出第一页25部电影信息，要采集第二页可以把requests请求的链接地址更换一下html=requests.get(‘https://movie.douban.com/top250?start=25’)，每页25个递增，第三页就是start=50，以此类推。
最后把全部250个电影数据反复10遍粘贴到Excel表格就可以了。
当然我们有更好的方法，比如利用for循环自动采集10个页面的数据。
import requests
from bs4 import BeautifulSoup
start=0
for n in range(0,10):
html=requests.get('https://movie.douban.com/top250?start='+str(start))
start+=25
soup = BeautifulSoup(html.text, 'html.parser')
for item in soup.find_all('div',"info"):
title=item.div.a.span.string #获取标题
yearline=item.find('div','bd').p.contents[2].string #获取年份那一行
yearline=yearline.replace(' ','') #去掉这一行的空格
yearline=yearline.replace('\n','') #去掉这一行的回车换行
year=yearline[0:4] #只取年份前四个字符
print(title,'\t',year)
这是把刚才的几乎全部代码放到了新的循环里面for n in range(0,10):里面。range(0,10)就是生成一个0~9的集合。另外，每次requests请求之后我们还添加了start+=25这行，就是每次叠加25的意思，第一次循环start是0，然后加25变25，第二次就是25，然后加25变50，以此类推。
运行这个代码，稍等一下运行结束，就能看到output全部250部电影信息了。
4.生成统计数据
我们把采集到的数据粘贴到Excel文件中，最顶上插入一行【影片名、年份】。
Excel数据
接下来我们利用这些数据研究一下哪些年盛产好电影。
如上图，点击B栏全选这一列。然后选择【插入-数据透视表】
插入数据透视表
然后弹窗中选择【新工作表】，其他保留默认，点确定。
创建数据透视表
然后在右侧把年份拖拽到下面的行中。
拖拽到行
同样再拖拽到值里面。
拖拽到值
然后点击表格里面的【求和项：年份】，再点击【字段设置】，弹窗中选择【计数】，然后确认，就能统计出每个年份上映的电影数量。
很多年份都是1或2，但表格滚动到下面就会看到1994、1995哪些年上映的电影比较多。
选择AB两栏，然后点击【插入-柱形图图标】，就能得到最终的统计图。
对Python感兴趣或者是正在学习的小伙伴，可以加入我们的Python学习扣qun：784758214，从0基础的python脚本到web开发、爬虫、django、数据挖掘数据分析等，0基础到项目实战的资料都有整理。送给每一位python的小伙伴！每晚分享一些学习的方法和需要注意的小细节，学习路线规划，利用编程赚外快。快点击加入我们的 python学习圈
最终统计图如下，可以清楚的看到全球最佳电影的年份分布情况，可以得到一些结论，比如上个世纪90年代初开始电影制作水平有了明显的提升，至90年代中期以后，虽然一直处于较高水平，但没有太大幅度的提高了；2010年贡献了最多数量的好电影，此后至今的8年虽然佳片不断（12年除外），但整体走低，2017年观众认可度达到最低点。
