使用BeautifulSoup和正则表达

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。