今天我们小组合作使用Python爬取豆瓣电影Top250获取电影详情链接,图片链接,影片中文名、影片外国名、评分、评价数,概况以及相关信息。
import os #打开文件,处理文件
from bs4 import BeautifulSoup #网页解析,获取数据
import re #正则表达式库
import xlwt #进行excel操作
import urllib.request,urllib.error #指定url,获取网页数据
将相关的库进行安装后使用。
通过对网页的观察我发现
第一页:https://movie.douban.com/top250?start=0&filter=
第二页:https://movie.douban.com/top250?start=25&filter=
第三页:https://movie.douban.com/top250?start=50&filter=
第十页:https://movie.douban.com/top250?start=225&filter=
所以我们可以用for循环进行遍历处理。
def getDate(baseurl):
datalist = []
x = 1
#调用获取页面信息的函数(10次)
for i in range(0,10):
url = baseurl + str(i*25)
html = askURL(url) #保存获取到的网页源码
#逐一解析数据
soup = BeautifulSoup(html, "html.parser")
for item in soup.find_all('div', class_="item"):
data = [] #保存一部电影的所有信息
item = str(item) #将item转换为字符串
#影片详情链接
link = re.findall(findLink, item)[0]
#追加内容到列表
data.append(link)
imgSrc = re.findall(findImgSrc, item)[0]
data.append(imgSrc)
titles = re.findall(findTitle, item)
if (len(titles) == 2 ):
ctitle = titles[0]
data.append(ctitle) #添加中文名
otitle = titles[1].replace("/", "")
data.append(otitle) #添加外国名
else:
data.append(titles[0])
data.append(' ') #外国名如果没有则留空
rating = re.findall(findRating,item)[0]
data.append(rating)
judgeNum = re.findall(findJudge, item)[0]
data.append(judgeNum)
inq = re.findall(findInq, item)
if len(inq) != 0 :
inq = inq[0].replace("。", "")
data.append(inq)
else:
data.append(' ')
bd = re.findall(findBd,item)[0]
bd = re.sub('
(\s+)?'," ", bd)
bd = re.sub('/', " ", bd)
data.append(bd.strip())
datalist.append(data) #把处理好的一部电影信息放入datalist
#print(link)
# 下载图片到本地
root = "C://Users/DELL/Desktop/新建文件夹/tupian//"#这里是图片下载保存的路径
path = root + str(x) + '.jpg'
try:
if not os.path.exists(root):
os.mkdir(root)
if not os.path.exists(path):
#r = requests.get(imgSrc, headers=head)
urllib.request.urlretrieve(imgSrc,path)
#with open(path, 'wb') as f:
# f.write(r.content)
# f.close()
print("下载第%d部电影封面"%(x))
x += 1
else:
print("文件保存成功")
except:
print("下载失败")
return datalist
首先使用xlwt库进行Excel的操作然后存入数据。
def saveData(datalist, savepath):
book = xlwt.Workbook(encoding="utf-8",style_compression=0) # 创建workbook对象
sheet = book.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True) # 创建工作表
col = ('电影详情链接',"图片链接","影片中文名","影片外国名","评分","评价数","概况","相关信息")#定义元组
try:
for i in range(0,8):
sheet.write(0,i,col[i]) #输入列名
for i in range(0,250):
print("第%d条" %(i+1))
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j])
book.save(savepath)
except:
print("爬取异常")
if __name__ == '__main__':
main()
print("爬取完毕")
使用的库有
import pandas as pd #解决数据分析任务
from pyecharts.charts import Bar #画柱形图
import matplotlib.pyplot as plt #绘制图形
import collections # 词频统计库
import numpy as np #矩阵操作
import jieba #词频统计库
import wordcloud #词云库
我们这里统计了评分前25名电影的评价数,部分代码如下:
data = pd.read_excel('豆瓣电影Top250.xls') #首先读取Excel数据文档
df = data.sort_values('评分',ascending=False).head(25)
v = df['影片中文名'].values.tolist() #tolist()将数据转换为列表形式
d = df['评分'].values.tolist()
bar = (
Bar()
.add_xaxis([i for i in df['影片中文名'].values.tolist()])
.add_yaxis('评分前25名', df['评价数'].values.tolist())
)
bar.render("./条形图.html")
print("柱形图保存成功!")
然后进行词云生成
读取文件
fn = open('top250.txt','r',encoding='utf-8')
string_data = fn.read()
fn.close()
统计相关信息中出现次数前十进行词云生成
seg_list_exact = jieba.cut(string_data, cut_all = False) # 精确模式分词
object_list = []
remove_words = [u'19', u',',u'20', u'德国', u'导演', u'日本', u'法国',u'等',u'能',u'都',u'。',u' ',u'、',u'中',u'在',u'了',
u'20',u'大陆',u'我们',u'美国'] # 自定义去除词库
for word in seg_list_exact: # 循环读出每个分词
if word not in remove_words: # 如果不在去除词库中
object_list.append(word) # 分词追加到列表
最后是词频展示
# 词频展示
mask = np.array(Image.open('image.jpg'))
wc = wordcloud.WordCloud(
font_path='simfang.ttf',
mask=mask,
max_words=100, # 最多显示词数
max_font_size=150, # 字体最大值
background_color='white',
width=800, height=600,
)
效果图:
最后完整代码
#-*- coding = utf-8 -*-
# 声明编码方式
import os
from bs4 import BeautifulSoup #网页解析,获取数据
import re
import xlwt #进行excel操作
import urllib.request,urllib.error #指定url,获取网页数据
import pandas as pd
from pyecharts.charts import Bar #画柱形图
import matplotlib.pyplot as plt
import numpy as np
import jieba
import wordcloud
def main():
baseurl = "https://movie.douban.com/top250?start="
#获取网页
datalist = getDate(baseurl)
savepath = ".\\豆瓣电影Top250.xls"#我的是".\\豆瓣电影Top250.xls"
#保存数据
saveData(datalist, savepath)
head = {
"User-Agent":"Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 85.0.4183.121Safari / 537.36"
}#用户代理:表示告诉豆瓣服务器是什么类型的浏览器(本质上是告诉浏览器可接收什么类型的文件)
#影片详情链接规则
findLink = re.compile(r'') #创建正则表达式对象
#影片图片的链接
findImgSrc = re.compile(r'(.*)')
#影片评分
findRating = re.compile(r'(\d*)人评价')
#概况
findInq = re.compile(r'(.*)')
#找到影片的相关内容
findBd = re.compile(r'(.*?)
', re.S)
#爬取网页
def getDate(baseurl):
datalist = []
x = 1
#调用获取页面信息的函数(10次)
for i in range(0,10):
url = baseurl + str(i*25)
html = askURL(url) #保存获取到的网页源码
#逐一解析数据
soup = BeautifulSoup(html, "html.parser")
for item in soup.find_all('div', class_="item"):
data = [] #保存一部电影的所有信息
item = str(item) #将item转换为字符串
#影片详情链接
link = re.findall(findLink, item)[0]
#追加内容到列表
data.append(link)
imgSrc = re.findall(findImgSrc, item)[0]
data.append(imgSrc)
titles = re.findall(findTitle, item)
if (len(titles) == 2 ):
ctitle = titles[0]
data.append(ctitle) #添加中文名
otitle = titles[1].replace("/", "")
data.append(otitle) #添加外国名
else:
data.append(titles[0])
data.append(' ') #外国名如果没有则留空
rating = re.findall(findRating,item)[0]
data.append(rating)
judgeNum = re.findall(findJudge, item)[0]
data.append(judgeNum)
inq = re.findall(findInq, item)
if len(inq) != 0 :
inq = inq[0].replace("。", "")
data.append(inq)
else:
data.append(' ')
bd = re.findall(findBd,item)[0]
bd = re.sub('
(\s+)?'," ", bd)
bd = re.sub('/', " ", bd)
data.append(bd.strip())
datalist.append(data) #把处理好的一部电影信息放入datalist
#print(link)
# 下载图片到本地
root = "C://Users/DELL/Desktop/新建文件夹/tupian//"#我的是"E://DoubanPic//"
path = root + str(x) + '.jpg'
try:
if not os.path.exists(root):
os.mkdir(root)
if not os.path.exists(path):
#r = requests.get(imgSrc, headers=head)
urllib.request.urlretrieve(imgSrc,path)
#with open(path, 'wb') as f:
# f.write(r.content)
# f.close()
print("下载第%d部电影封面"%(x))
x += 1
else:
print("文件保存成功")
except:
print("下载失败")
return datalist
#得到指定一个url的网页内容
def askURL(url):
request = urllib.request.Request(url, headers=head)
html = ""
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)#打印错误信息
if hasattr(e, "reason"):
print(e.reason)#打印错误原因
return html
#保存数据
def saveData(datalist, savepath):
book = xlwt.Workbook(encoding="utf-8",style_compression=0) # 创建workbook对象
sheet = book.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True) # 创建工作表
col = ('电影详情链接',"图片链接","影片中文名","影片外国名","评分","评价数","概况","相关信息")#定义元组
try:
for i in range(0,8):
sheet.write(0,i,col[i]) #输入列名
for i in range(0,250):
print("第%d条" %(i+1))
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j])
book.save(savepath)
except:
print("爬取异常")
if __name__ == '__main__':
main()
print("爬取完毕")
#可视化
data = pd.read_excel('豆瓣电影Top250.xls')
df = data.sort_values('评分',ascending=False).head(25)
v = df['影片中文名'].values.tolist() #tolist()将数据转换为列表形式
d = df['评分'].values.tolist()
#设置颜色
color_series = ['#2C6BA0','#2B55A1','#2D3D8E','#44388E','#6A368B'
'#7D3990','#A63F98','#C31C88','#D52178','#D5225B']
print("-----"*15)
bar = (
Bar()
.add_xaxis([i for i in df['影片中文名'].values.tolist()])
.add_yaxis('评分前25名', df['评价数'].values.tolist())
)
bar.render("./条形图.html")
print("柱形图保存成功!")
# 读取文件
fn = open('top250.txt','r',encoding='utf-8')
string_data = fn.read()
fn.close()
# 文本预处理
pattern = re.compile(u'\t|\n|\.|-|:|;|\)|\(|\?|"') # 定义正则表达式匹配模式
string_data = re.sub(pattern, '', string_data) # 将符合模式的字符去除
# 文本分词
seg_list_exact = jieba.cut(string_data, cut_all = False) # 精确模式分词
object_list = []
remove_words = [u'19', u',',u'20', u'德国', u'导演', u'日本', u'法国',u'等',u'能',u'都',u'。',u' ',u'、',u'中',u'在',u'了',
u'20',u'大陆',u'我们',u'美国'] # 自定义去除词库
for word in seg_list_exact: # 循环读出每个分词
if word not in remove_words: # 如果不在去除词库中
object_list.append(word) # 分词追加到列表
# 词频统计
word_counts = collections.Counter(object_list)
word_counts_top10 = word_counts.most_common(10)
print (word_counts_top10) # 输出检查
word_counts_top10 = str(word_counts_top10)
# 词频展示
mask = np.array(Image.open('image.jpg'))
wc = wordcloud.WordCloud(
font_path='simfang.ttf',
mask=mask,
max_words=100, # 最多显示词数
max_font_size=150, # 字体最大值
background_color='white',
width=800, height=600,
)
wc.generate_from_frequencies(word_counts)
plt.imshow(wc)
plt.axis('off')
plt.show()
wc.to_file('wordcloud.png') ')
#评价人数
findJudge = re.compile(r'
如果错误请大佬指正。