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
转载请标明出处
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
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
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('不同地区的电影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。
