开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 豆瓣电影TOP250爬虫及可视化分析笔记 -> 正文阅读

[人工智能]豆瓣电影TOP250爬虫及可视化分析笔记

??人类社会已经进入大数据时代，大数据深刻改变着我们的工作和生活。随着互联网、移动互联网、社交网络等的迅猛发展，各种数量庞大、种类繁多、随时随地产生和更新的大数据，蕴含着前所未有的社会价值和商业价值！！！

一、前言

??本文是一篇爬虫实战学习笔记，记录近些时日对网络爬虫的认识和学习心得，主要使用了 requests、 re 、Beautifulsoup 和pandas库，初学爬虫，代码写的有点烂，望包涵！

本文同步发表在我的个人博客上，欢迎访问：https://sunguoqi.com/2021/11/07/douban_top250/

二、实例引入

??假设由于工作或者项目要求，我们需要获取豆瓣电影 Top250 上的影片数据，进行可视化分析。
??数据包括 影片名 上映年份 评分 导演 主演 电影类别 上映地区 影片名言 等
??原始的数据存放在豆瓣的网页上，像这样。

我们需要将数据采集下来，存放在一张 excel 表里像这样！

然后对其进行可视化分析像这样

这样

.......

??试想一下，我们该怎么做？
??天大寒，砚冰坚，手指不可屈伸，弗之怠，录毕，走送之，不敢稍逾约？
??我想人工摘录是一个极不明智的选择。在信息时代，我们有计算机，我们有python，我们应该想方设法让计算机去做这些事情。

三、爬虫

??爬虫，其实就是代替人力去完成信息抓取工作的一门技术，他能按照一定的规则，从互联网上抓取任何我们想要的信息。

四、爬取思路

??如何写爬虫？我们写爬虫的思路是什么？
??前文提到，爬虫是代替人去完成信息抓取工作的，那么接下我们需要思考的问题便是，人是如何完成信息抓取工作的。
??首先，我们打开豆瓣电影 TOP250 排行榜，分析我们需要的数据存放在哪里，然后复制粘贴，把我们的数据存放在excel表格里，依次重复如此枯燥乏味的工作对吧。
??是的，其实爬虫要做的工作也是如此，写爬虫的大致思路如下。
??确定URL——>发起请求获得服务器响应数据——>解析数据——> 数据存储

五、爬虫实战

1、单页爬取

??先把单页爬取的代码放在这里，稍后我会做详细解释。

"""
-*- coding: utf-8 -*-
@Time : 2021/11/6 下午 4:59
@Author : SunGuoqi
@Website : https://sunguoqi.com
@Github: https://github.com/sun0225SUN
"""

# 导入一些模块
import requests
import re
from bs4 import BeautifulSoup
import pandas as pd

# 首先确定URL
url = 'https://movie.douban.com/top250'
# UA伪装
headers = {
    'User-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36'
}
# 发起请求
response = requests.get(url, headers=headers)
# 获得响应文件文本
# print(response.text)
html = response.text
# 创建BeautifulSoup对象，方便解析
soup = BeautifulSoup(html, 'lxml')
# 找出所有的li标签
all_li = soup.find('ol', {'class': 'grid_view'}).find_all('li')
# 创建一个空列表，存放我们的数据。
datas = []
for item in all_li:
    # 提取影片名称（只提取了中文名称）
    name = item.find('span', {'class': 'title'}).text
    # 提取影片评分
    score = item.find('span', {'property': 'v:average'}).text
    # 提取影片经典语录
    quote = item.find('span', {'class': "inq"}).text
    # 下面提取影片信息部分
    info = item.find_all('p', {'class': ''})
    # print(info.text)
    # 返回的是一个列表，列表里是一个元组
    # print(info[0].text)
    info_contents = info[0].text
    # 分割影片信息，提取影片 导演 || 主演 || 上映年份 || 国家/地区 || 类型
    result = re.findall(
        '^.*?\u5bfc\u6f14:\s(.*?)\s.*?\u4e3b\u6f14:\s(.*?)\s.*?(\d{4})\s.*?([\u4e00-\u9fa5].*)\xa0.*?\u002f.*?([\u4e00-\u9fa5].*?)\s\s.*$',
        info_contents, re.S)
    # 把数据按找字典的格式存放到列表里
    datas.append({
        '片名': name,
        '年份': result[0][2],
        '评分': score,
        '导演': result[0][0],
        '主演': result[0][1],
        '类型': result[0][4],
        '国家/地区': result[0][3],
        '经典台词': quote
    })
print("爬取完成！！！")
# 写入到文件
df = pd.DataFrame(datas)
df.to_csv("豆瓣电影.csv", index=False, header=True, encoding='utf_8_sig')
print("已写入豆瓣.csv文件")

1.1、导入模块

?首先我们需要导入四个模块，没有下面四个库的同学需要PIP安装下。

import requests
import re
from bs4 import BeautifulSoup
import pandas as pd

1.2、确定URL

??我们请求的URL是明确的，就是https://movie.douban.com/top250?start=0&filter=,其后面的参数是和多页爬取和过滤相关的，这个我们后面会用到。

url = 'https://movie.douban.com/top250'

1.3、发起请求

??我们打开浏览器，输入网址，按下enter键后便可获得精美的页面，但其实在这期间，计算机和浏览器为我们做了很多事情。
??不妨我们试一下，打开我们的浏览器，输入网址https://movie.douban.com/top250，然后按下我们电脑上的F12键，打开开发者工具，选择Network选项卡，刷新一下页面，你会看到很多数据包。这便是我们按下enter键后获得的数据本身，浏览器根据相应的规则对这些数据包进行解析和渲染，便生成了我们见到的网页。

??我们是通过浏览器去获取和解析数据的，那么爬虫如何像浏览器一样去请求数据呢？
??站在巨人的肩膀上，Python大牛们已经解决了这个问题，并把它封装成了一个库，这个库便是requests库，我们只需要调用库里面封装好的函数就可以模拟浏览器请求数据了。
??似乎还需要讲一个东西，就是请求头 请求体和响应头 响应体的问题。
??打开我们的开发者工具，点击一条数据，选择headers选项卡，我们便可以看到此次请求的请求头，其中包括我们请求的URL 请求方法 UA标识 请求参数等等

??包裹是有身份的，就像我们收到的快递一样，数据包也是如此，我们需要知道这个数据是谁发送的，要干嘛，所以我们需要请求头 请求体这样一个东西。
??一些网站会设置反爬虫机制，如果服务器发现请求是python发送的，便不会正常响应，所以我们需要伪装一下身份。
??解决方法就是利用请求头进行UA伪装

# 首先确定URL
url = 'https://movie.douban.com/top250'
# UA伪装
headers = {
    'User-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'
}
# 发起请求
response = requests.get(url, headers=headers)

??如何查看自己电脑的UA表示呢？打开开发者工具，找到我们headers选项卡，展开第三条数据即可看到我们电脑的UA

1.4、获得响应

??如果程序正常运行，便会发送URL对应的资源文件，我们可以打印一下他的响应内容。

print(response.text)

??屏幕应该会打印一大堆HTML文本，我们的数据就存放在里面。

1.5、数据解析

??我们成功获取了HTML文件，我们需要的数据就存放在里面，但是如何过滤掉我们不需要的东西呢？

?当米开朗琪罗被问及如何完成《大卫》这样匠心的雕刻作品时，他有一段著名的回答: 很简单，你需要用锤子把石头上不像大卫的地方敲掉就行了。

??再次站在前人的肩膀上，BeautifulSoup库闪亮出场。
??在使用BeautifulSoup库之前，我们应该很清楚的知道我们需要的数据存放在什么位置。

??很显然，我们需要的数据存放在一个ol有序列表里，每条数据的便是一个列表项li，每个li标签又长什么样子呢？
??因为豆瓣后台源代码有点乱，我们把它复制到vscode里格式化一下再看。

??我们需要的数据存放的位置就更加明显了。好了，现在我们可以喝一碗美味的汤了（BeautifulSoup）
??先将我们获取的HTML文本封装成BeautifulSoup对象，对象里包含了很多属性和方法，方便我们查找和获取我们需要的数据。

# print(response.text)
html = response.text
# 创建BeautifulSoup对象，方便解析
soup = BeautifulSoup(html, 'lxml')

??这里我们首先获取所有的li标签，然后遍历all_li 获得每个li里的数据，在进行解析就可以了。

# 找出所有的li标签
all_li = soup.find('ol', {'class': 'grid_view'}).find_all('li')

??我们创建一个空列表，将以后获得得每条数据，都存放在里面。

datas = []

??我们通过上面的分析发现，影片名称存放在下面这一小块。

            <div class="hd">
                <a href="https://movie.douban.com/subject/1292052/" class="">
                    <span class="title">肖申克的救赎</span>
                    <span class="title">&nbsp;/&nbsp;The Shawshank Redemption</span>
                    <span class="other">&nbsp;/&nbsp;月黑高飞(港) / 刺激1995(台)</span>
                </a>
                <span class="playable">[可播放]</span>
            </div>

??其对应的解析便是name = item.find('span', {'class': 'title'}).text
??影片得分，存放在下面这一小块。

                <div class="star">
                    <span class="rating5-t"></span>
                    <span class="rating_num" property="v:average">9.7</span>
                    <span property="v:best" content="10.0"></span>
                    <span>2478010人评价</span>
                </div>

??其对应的解析便是name = item.find('span', {'class': 'title'}).text
??影片语录存放在下面这一小块。

                <p class="quote">
                    <span class="inq">希望让人自由。</span>
                </p>

??其对应的解析便是quote = item.find('span', {'class': "inq"}).text
??其他内容都在这里面，

                <p class="">
                    导演: 弗兰克·德拉邦特 Frank Darabont&nbsp;&nbsp;&nbsp;主演: 蒂姆·罗宾斯 Tim Robbins /...<br>
                    1994&nbsp;/&nbsp;美国&nbsp;/&nbsp;犯罪 剧情
                </p>

??有些同学可能会发现，如果我们依旧按照上面的方式去解析，我们只能获得p标签里面的内容，没法把导演哇，主演哇，等等分离出来，emmm，怎么办呢？
??魔法终究可以被魔法打败，我们有最强的字符串处理工具，就是正则表达式。在使用之前，我们应该先引用先导入此模块。
??首先我们获取的p标签里的内容，它长下面这个样子。

                            导演: 弗兰克·德拉邦特 Frank Darabont   主演: 蒂姆·罗宾斯 Tim Robbins /...
                            1994 / 美国 / 犯罪 剧情

??其对应的解析便是result = re.findall('^.*?\u5bfc\u6f14:\s(.*?)\s.*?\u4e3b\u6f14:\s(.*?)\s.*?(\d{4})\s.*?([\u4e00-\u9fa5].*)\xa0.*?\u002f.*?([\u4e00-\u9fa5].*?)\s\s.*$',info_contents, re.S)

??这里关于正则表达式就不多说了，有兴趣的同学可以研究研究。

计算机科学领域有一个笑话，如果你有一个问题打算用正则表达式来解决，那么就是两个问题了。

??于是，程序就变成下面这样了。

for item in all_li:
    # 提取影片名称（只提取了中文名称）
    name = item.find('span', {'class': 'title'}).text
    # 提取影片评分
    score = item.find('span', {'property': 'v:average'}).text
    # 提取影片经典语录
    quote = item.find('span', {'class': "inq"}).text
    # 下面提取影片信息部分
    info = item.find_all('p', {'class': ''})
    # print(info.text)
    # 返回的是一个列表，列表里是一个元组
    # print(info[0].text)
    info_contents = info[0].text
    # 分割影片信息，提取影片 导演 || 主演 || 上映年份 || 国家/地区 || 类型
    result = re.findall(
        '^.*?\u5bfc\u6f14:\s(.*?)\s.*?\u4e3b\u6f14:\s(.*?)\s.*?(\d{4})\s.*?([\u4e00-\u9fa5].*)\xa0.*?\u002f.*?([\u4e00-\u9fa5].*?)\s\s.*$',
        info_contents, re.S)

??接着我们把数据以字典的方式存放到列表里。

    # 把数据按找字典的格式存放到列表里
    datas.append({
        '片名': name,
        '年份': result[0][2],
        '评分': score,
        '导演': result[0][0],
        '主演': result[0][1],
        '类型': result[0][4],
        '国家/地区': result[0][3],
        '经典台词': quote
    })

??OK，这样其实我们就把单张的豆瓣影片数据爬取完成了！

1.6、写入文件

??写入文件用的是强大的pandas库，这里需要注意下编码格式，否则打开的可能是乱码。

df = pd.DataFrame(datas)
df.to_csv("豆瓣电影.csv", index=False, header=True, encoding='utf_8_sig')

2、我是如何“放弃”爬取多页数据的

??接下来我们要做的问题就是多页爬取了，单页爬取对应的是一个URL，多页爬取对应的当然就是多个URL了
??emmm，不太严格，严格来说应该是我们每次请求的URL附加的参数变了，我们找到每次请求附加的参数变化规律就可以了。
??第一页对应的URL：https://movie.douban.com/top250?start=0&filter=
??第二页对应的URL：https://movie.douban.com/top250?start=25&filter=
??…

??第十页对应的URL：https://movie.douban.com/top250?start=225&filter=
??很简单就发现了对吧，就是start参数的值变了，于是我们可以这样构造URL

url = 'https://movie.douban.com/top250?start=' + str(k * 25)

??用for循环遍历就好了。（当然还要注意data=[]要放在最外面，要不然获取每页数据时，data就被清空了）

for k in range(10):
    print("正在抓取第{}页数据...".format(k+1))
	url = 'https://movie.douban.com/top250?start=' + str(k * 25)
	......再把之前的代码加上去就可以了。

??大功告成！！！
??可是，真的这样么，我太天真了，现实给我来了当头一棒。

??第二页数据就报错了，没有result[0][2]条数据，也就是年份，emmm，其实不是年份，是因为我们写的正则表达式没有捕捉到主演信息，所以列表索引超了。仔细查找下问题，看下图！

??好吧，我确实忽略这个问题了，因为这个top榜主要是简介，字数什么的有限制，并不能完成主演等等详细数据的爬取任务，而且我们也没有去写异常处理。
??仔细分析后，网页内容不只这一条不符合规范，如果要加入异常处理的话，需要加入很多，况且数据也不全，所以我放弃爬取多页了？？？

3、我是如何完成爬取多页数据的

??在参考了其他同类的爬虫文章后，我发现，top 250 页面只是电影简介，详情都在点开电影链接之后。
??比如，我们打开《肖申克的救赎》这部电影，该电影的所有信息都会按规范的格式展现在了我们的面前。
??我们再写一个爬虫，爬取每个电影的链接，然后打开电影详情链接，去解析详情文本就可以了。

??具体代码如下，这个我就不做具体分析了，思路和上面差不多，最复杂的就是解析数据和数据清洗那里，需要一点点尝试。

"""
-*- coding: utf-8 -*-
@Time : 2021/11/7 下午 4:25
@Author : SunGuoqi
@Website : https://sunguoqi.com
@Github: https://github.com/sun0225SUN
"""

import re
import time
import requests
from bs4 import BeautifulSoup
import pandas as pd

# 数据存放在列表里
datas = []
# 遍历十页数据
for k in range(10):
    print("正在抓取第{}页数据...".format(k + 1))
    url = 'https://movie.douban.com/top250?start=' + str(k * 25)
    headers = {
        'User-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36'
    }
    r = requests.get(url, headers=headers)
    soup = BeautifulSoup(r.text, 'lxml')
    # 查找电影链接
    lists = soup.find_all('div', {'class': 'hd'})
    
    # 遍历每条电影链接
    for item in lists:
        href = item.a['href']
        # 休息一下，防止被封
        time.sleep(0.5)
        # 请求每条电影，获得详细信息
        response = requests.get(href, headers=headers)
        # 把获取好的电影数据打包成BeautifulSoup对象
        movie_soup = BeautifulSoup(response.text, 'lxml')
        
        # 解析每条电影数据
        # 片名
        name = movie_soup.find('span', {'property': 'v:itemreviewed'}).text.split(' ')[0]
        # 上映年份
        year = movie_soup.find('span', {'class': 'year'}).text.replace('(', '').replace(')', '')
        # 评分
        score = movie_soup.find('strong', {'property': 'v:average'}).text
        # 评价人数
        votes = movie_soup.find('span', {'property': 'v:votes'}).text
        infos = movie_soup.find('div', {'id': 'info'}).text.split('\n')[1:11]
        # infos返回的是一个列表，我们只需要索引提取就好了
        # 导演
        director = infos[0].split(': ')[1]
        # 编剧
        scriptwriter = infos[1].split(': ')[1]
        # 主演
        actor = infos[2].split(': ')[1]
        # 类型
        filmtype = infos[3].split(': ')[1]
        # 国家/地区
        area = infos[4].split(': ')[1]
        
        # 数据清洗一下
        if '.' in area:
            area = infos[5].split(': ')[1].split(' / ')[0]
            # 语言
            language = infos[6].split(': ')[1].split(' / ')[0]
        else:
            area = infos[4].split(': ')[1].split(' / ')[0]
            # 语言
            language = infos[5].split(': ')[1].split(' / ')[0]
        if '大陆' in area or '香港' in area or '台湾' in area:
            area = '中国'
        if '戛纳' in area:
            area = '法国'
        # 时长
        times0 = movie_soup.find(attrs={'property': 'v:runtime'}).text
        times = re.findall('\d+', times0)[0]

        # 将数据写入列表
        datas.append({
            '片名': name,
            '上映年份': year,
            '评分': score,
            '评价人数': votes,
            '导演': director,
            '编剧': scriptwriter,
            '主演': actor,
            '类型': filmtype,
            '国家/地区': area,
            '语言': language,
            '时长(分钟)': times
        })
        print("电影《{0}》已爬取完成...".format(name))

# 写入到文件
df = pd.DataFrame(datas)
df.to_csv("top250.csv", index=False, header=True, encoding='utf_8_sig')

??infos那里直接提取这个div里面所有的子孙节点的文本，返回的是一个列表，像下面这样，然后用索引去提取，再清洗下就可以存储到字典列表里了，还有要注意豆瓣反爬机制，不要请求过快，time.sleep(0.5)

['', 
'导演: 弗兰克·德拉邦特', 
'编剧: 弗兰克·德拉邦特 / 斯蒂芬·金', 
'主演: 蒂姆·罗宾斯 / 摩根·弗里曼 / 鲍勃·冈顿 / 威廉姆·赛德勒 / 克兰西·布朗 / 吉尔·贝罗斯 / 马克·罗斯顿 / 詹姆斯·惠特摩 / 杰弗里·德曼 / 拉里·布兰登伯格 / 尼尔·吉恩托利 / 布赖恩·利比 / 大卫·普罗瓦尔 / 约瑟夫·劳格诺 / 祖德·塞克利拉 / 保罗·麦克兰尼 / 芮妮·布莱恩 / 阿方索·弗里曼 / V·J·福斯特 / 弗兰克·梅德拉诺 / 马克·迈尔斯 / 尼尔·萨默斯 / 耐德·巴拉米 / 布赖恩·戴拉特 / 唐·麦克马纳斯', 
'类型: 剧情 / 犯罪',
'制片国家/地区: 美国',
'语言: 英语',
'上映日期: 1994-09-10(多伦多电影节) / 1994-10-14(美国)', 
'片长: 142分钟',
'又名: 月黑高飞(港) / 刺激1995(台) / 地狱诺言 / 铁窗岁月 / 消香克的救赎', 
'IMDb: tt0111161', 
'']

??因为我们这次请求的链接，解析的文本确实比较多，所以我们需要稍等一会才可以拿到我们的数据了，不妨去喝杯咖啡~

六、数据可视化分析 Echarts

??关于数据爬取我们就完成了，接下来我们要做的就是可视化分析。
??可视化分析这块我还没有系统学习，以下内容是借鉴其他博主的。
??参考链接：

https://blog.csdn.net/weixin_42512684/article/details/90708037    
https://blog.csdn.net/weixin_42152811/article/details/115366846

1、导入pyecharts模块

import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import Bar

2、各地区上映电影数量前十

在线演示地址： https://box.sunguoqi.com/douban/01.html

源代码

data = pd.read_csv('top250.csv')
year_counts = data['上映年份'].value_counts()
year_counts.columns = ['上映年份', '数量']
year_counts = year_counts.sort_index()
c = (
    Bar()
        .add_xaxis(list(year_counts.index))
        .add_yaxis('上映数量', year_counts.values.tolist())
        .set_global_opts(
        title_opts=opts.TitleOpts(title='各年份上映电影数量'),
        yaxis_opts=opts.AxisOpts(name='上映数量'),
        xaxis_opts=opts.AxisOpts(name='上映年份'),
        datazoom_opts=[opts.DataZoomOpts(), opts.DataZoomOpts(type_='inside')], )
        .render('各年份上映电影数量.html')
)

3、电影评价人数前二十

在线演示地址： https://box.sunguoqi.com/douban/02.html

源代码

data = pd.read_csv('top250.csv')
df = data.sort_values(by='评价人数', ascending=True)
c = (
    Bar()
        .add_xaxis(df['片名'].values.tolist()[-20:])
        .add_yaxis('评价人数', df['评价人数'].values.tolist()[-20:])
        .reversal_axis()
        .set_global_opts(
        title_opts=opts.TitleOpts(title='电影评价人数'),
        yaxis_opts=opts.AxisOpts(name='片名'),
        xaxis_opts=opts.AxisOpts(name='人数'),
        datazoom_opts=opts.DataZoomOpts(type_='inside'),
    )
        .set_series_opts(label_opts=opts.LabelOpts(position="right"))
        .render('电影评价人数前二十.html')
)

4、各年份上映电影数量

在线演示地址： https://box.sunguoqi.com/douban/03.html

源代码

data = pd.read_csv('top250.csv')
country_counts = data['国家/地区'].value_counts()
country_counts.columns = ['国家/地区', '数量']
country_counts = country_counts.sort_values(ascending=True)
c = (
    Bar()
        .add_xaxis(list(country_counts.index)[-10:])
        .add_yaxis('地区上映数量', country_counts.values.tolist()[-10:])
        .reversal_axis()
        .set_global_opts(
        title_opts=opts.TitleOpts(title='地区上映电影数量'),
        yaxis_opts=opts.AxisOpts(name='国家/地区'),
        xaxis_opts=opts.AxisOpts(name='上映数量'),
    )
        .set_series_opts(label_opts=opts.LabelOpts(position="right"))
        .render('各地区上映电影数量前十.html')
)