app开发定制公司今天我们小组合作使用Pythonapp开发定制公司爬取豆瓣电影Top250app开发定制公司获取电影详情链接,图片链接,app开发定制公司影片中文名、app开发定制公司影片外国名、评分、评价数,app开发定制公司概况以及相关信息。
第一部分:爬取部分
app开发定制公司使用到的库
- 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。
进行网页的分析
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('<br(\s+)?/>(\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
保存数据存入Excel
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")
第二部分:分析部分以及词云的生成
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'<a href="(.*?)">') #创建正则表达式对象
- #影片图片的链接
- findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
- #影片片名
- findTitle = re.compile(r'<span class="title">(.*)</span>')
- #影片评分
- findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
- #评价人数
- findJudge = re.compile(r'<span>(\d*)人评价</span>')
- #概况
- findInq = re.compile(r'<span class="inq">(.*)</span>')
- #找到影片的相关内容
- findBd = re.compile(r'<p class="">(.*?)</p>', 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('<br(\s+)?/>(\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||\.|-|:|;|\)|\(|\?|"') # 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')
如果错误请大佬指正。