关于豆瓣电影数据抓取以及可视化

news2024/11/24 17:16:45

首先我们可以先了解以下网络爬虫的定义：
爬虫是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。它可以在互联网上自动抓取网页内容，将这些信息存储起来。爬虫可以抓取网站的所有网页，从而获取对于我们有价值的信息。爬虫主要由调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）五个部分组成。使用Python可以很方便地编写出爬虫程序，进行互联网信息的自动化检索。

下面我们就可以开始进行一个小实验，来深入了解以下爬虫获取数据的能力。

实验目标：

能够使用Matplotlib的图像可视化
掌握Python的基本语法
能够操作创建并维护Python中Matplotlib显示中文编码问题
主要是用来熟练pandas和爬虫及可视化技能
爬取豆瓣网的top250的电影信息并保存在本地

第一步，我们需要对豆瓣网进行一个URL的获取：

import requests

def urlopen():
    header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
    url=requests.get('https://movie.douban.com/top250',headers=header)
    print(url)

成功之后会返回一个Response 200（这样我们就能成功的获取它的URL）

下面我们就开始进行爬取豆瓣网TOP250的数据了（源码在最下面），这里是针对豆瓣电影 Top 250来进行数据获取的：

def askURL(url):
    head = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.116 Safari/537.36"
    } #伪装成网页的形式，请求网页信息
    request = urllib.request.Request(url,headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        #print(html)
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html

重点说一下这个head，head放在这个地方，就是用来模拟浏览器的头部信息，模拟浏览器向豆瓣服务器发送信息，如果没有的话，就会被网页识别为爬虫，从而被拒绝访问。head 其实就是一个用户代理，表示告诉豆瓣服务器，我们是什么类型的机器、浏览器（本质上是告诉浏览器，我们可以接收什么水平的文件内容）

最后就会获取这样一个excel文件：

以下是源码（重点步骤有所标注）：

from bs4 import BeautifulSoup # 导入BeautifulSoup库，用于解析网页
import re # 导入正则表达式库，用于进行文字匹配
import urllib.request,urllib.error  # 导入urllib库，用于制定url和获取网页数据
import xlwt  # 导入xlwt库，用于进行excel操作
import sqlite3  # 导入sqlite3库，用于进行SQLite数据库操作

def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 爬取网页
    datalist = getData(baseurl)
    # 保存数据
    savepath = "豆瓣电影Top250.xls"
    saveData(datalist,savepath)

# 定义电影链接的正则表达式
findLink = re.compile(r'<a href="(.*?)">')
# 定义封面图片的正则表达式
findImgSrc = re.compile(r'<img.*.*>',re.S)
# 定义电影名称的正则表达式
findTitle = re.compile(r'<span class="title">(.*)</span>')
# 定义评分的正则表达式
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
# 定义评价人数的正则表达式
findJudge = re.compile(r'<span>(\d*)人评价</span>')
# 定义概况的正则表达式
findInq = re.compile(r'<span class="inq">(.*)</span>')
# 定义电影详细内容的正则表达式
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

# 爬取网页
def getData(baseurl):
    datalist = []
    for i in range(0,10):
        url = baseurl + str(i*25)
        html = askURL(url)

        # 逐一解析数据
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):
            data = []
            item = str(item)

            Link = re.findall(findLink,item)[0]
            data.append(Link)

            ImgSrc = re.findall(findImgSrc,item)[0]
            data.append(ImgSrc)

            Title = re.findall(findTitle,item)
            if len(Title)==2:
                ctitle = Title[0]
                data.append(ctitle)
                otitle = Title[1].replace("/","")
                data.append(otitle)
            else:
                data.append(Title[0])
                data.append(' ')

            Rating = re.findall(findRating,item)[0]
            data.append(Rating)

            Judge = re.findall(findJudge,item)[0]
            data.append(Judge)

            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('<br(\s+)?/>(\s+)?'," ",Bd)
            data.append(Bd.strip())
            datalist.append(data)    # 把处理好的一个电影信息存储到datalist中
    return datalist

# 获取指定一个网页内容
def askURL(url):
    head = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.116 Safari/537.36"
    } # 伪装成网页的形式，请求网页信息
    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)
        if hasattr(e,"reason"):
            print(e.reason)
    return html

# 保存数据
def saveData(datalist,savepath):
    print("save....")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)
    sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)
    col = ("电影详情链接","封面链接","影片中文名","影片外国名","评分","评价数","概况","相关信息","")
    for i in range(0,8):
        sheet.write(0,i,col[i])
    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('豆瓣电影Top250.xls')

main()
print("爬取完毕")