Python爬虫实战(4) | 爬取历年中国电影票房排行榜

简介: 看了看后台,发现之前写的几篇有关爬虫实战的文章特别受欢迎,阅读量都是好几千那种然后回头发现自己好久没写爬虫了,刚好写了个小小的爬虫 demo ,今天分享给大家

附上官网地址

中国历年电影票房(http://www.boxofficecn.com/boxofficecn)

需求分析

我们先来看一下需求

  1. 获取自1994年至2022年之间,各年度的大陆票房情况,包括电影名称和票房总额
  2. 各个年度的电影票房情况分别保存至以本年度为名称的CSV文件,例如2022年电影票房数据保存到2022.csv

我们发现,中国历年来的电影票房都对应着一个 url,而且这个 url 是有规律的

例如:

1994年的中国大陆电影票房网址:http://www.boxofficecn.com/boxoffice1994

1995年的中国大陆电影票房网址:http://www.boxofficecn.com/boxoffice1995

网页分析

在知道了网址的规律之后,我们对网页进行一下分析

我们按 F12 进入网页代码查看器,当前页面的代码结构如下图
image-20221214110757437.png
可以看到电影的信息都存放在

年份、票房、电影名称以及序号都在

标签里面

代码实现

既然知道了我们要获取的信息的所在标签中,那么就开始我们的爬取过程吧!

需要导入的库文件

import requests
import bs4

将当前网页获取下来

注意:因为网页中含有中文字符,所以我们在下载网页源码之前先看下它的编码格式,输入当前网页的编码格式 print(res.encoding)

可以看到是 UTF-8 编码格式,所以我们将网页源码获取之后要对其进行编码 encode('UTF-8')

def get_web(url):
    header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36 Edg/91.0.864.59"}
    res = requests.get(url, headers=header, timeout=5)
    # 查看当前网页的编码格式
    print(res.encoding)

    #对网页源码进行编码
    content = res.text.encode('UTF-8')
    return content

从网页源码中获取所需标签信息

将网页下载获取下来之后,我们使用 bs4 模块来进行解析并获取我们所需要的数据信息

soup = bs4.BeautifulSoup(content, 'lxml')
movie_list = soup.find_all('tr', attrs={'align': 'left'})

这里我定义了一个 movie_list 去存放票房信息

image-20221214111940476.png
可以看到 movie_list 是一个 bs4.element.ResultSet 对象,我们需要对其进行遍历才能获得里面的元素

print(type(movie_list))

##结果
<class 'bs4.element.ResultSet'>

信息处理

遍历获取 movie_list 中的元素并且对其进行处理,然后存放到列表 list 中

list = []
for i in movie_list:
    i = i.text.split('\n')
    i = i[1:len(i)-1]
    list.append(i)

list 中的元素如下所示:

[['1', '1995', '真实的谎言', '10300'], ['2', '1995', '红番区', '9500'], ['3', '1995', '阳光灿烂的日子', '5000'], ['4', '1995', '虎胆龙威3', '4700'], ['5', '1995', '狮子王(1994)', '4130'], ['6', '1995', '红粉', '4000'], ['7', '1995', '红樱桃', '4000'], ['8', '1995', '生死时速', '3780'], ['9', '1995', '七七事变', '3300'], ['10', '1995', '绝地战警', '3280'], ['11', '1995', '阿甘正传', '1960']]

接着我们将 list 中的内容以键值对的形式保存,方便信息的阅读性

我们以电影序号作为唯一的key

dic = {}
for i in list:
    dic[i[0]] = {'年份': i[1], '电影名称': i[2], '票房(万元)': i[3]}
return dic

数据保存

我们将字典中的内容保存到本地的 csv 文件中

def data_save(dic,year):
    file_name = 'D:\movie\\' + str(year) + '.csv'
    with open(file_name, 'w+') as f:
        f.write('序号,年份,电影名称,票房(万元)\n')
        for k, v in dic.items():
            f.write(k+','+v['年份']+','+v['电影名称']+','+v['票房(万元)']+'\n')

补充:

def data_save(dic,year):
    file_name = 'D:\movie\\' + str(year) + '.csv'
    with open(file_name, 'w+') as f:
        f.write('序号,年份,电影名称,票房(万元)\n')
        for k, v in dic.items():
            f.write(k+','+v['年份']+','+v['电影名称']+','+v['票房(万元)']+'\n')

刚开始用上面这段代码实现的时候报错

UnicodeEncodeError: 'gbk' codec can't encode character u'\xa0' in position 12:illegal multibyte sequence

出现 UnicodeEncodeError ,说明是 Unicode 编码问题, ‘gbk’ codec can’t encode character –> 说明是将Unicode字符编码为GBK时候出现的问题;

此时,往往最大的可能就是,本身Unicode类型的字符中,包含了一些无法转换为GBK编码的一些字符

unicode中的‘\xa0’字符在转换成gbk编码时会出现问题,gbk无法转换'\xa0'字符。
所以,在转换的时候必需进行一些前置动作,例如将这些字符替换成空格

.replace(u'\xa0', u' ')  

后面在演示的时候分别又报了如下报错

UnicodeEncodeError: 'gbk' codec can't encode character '\u200e' in position 13: illegal multibyte sequence


UnicodeEncodeError: 'gbk' codec can't encode character '\u200b' in position 13: illegal multibyte sequence

有了上面的经验,我们只需要把对应无法转换的字符替换成空格即可

replace(u'\u200b', u' ')

replace(u'\u200e', u' ')

最后代码如下所示:

def get_content(url):
    content = get_web(url)
    list = parse_content(content)
    dic = {}
    for i in list:
        i[1] = i[1].replace(u'\xa0', u' ').replace(u'\u200b', u' ').replace(u'\u200e', u' ')
        i[2] = i[2].replace(u'\xa0', u' ').replace(u'\u200b', u' ').replace(u'\u200e', u' ')
        i[3] = i[3].replace(u'\xa0', u' ').replace(u'\u200b', u' ').replace(u'\u200e', u' ')
        dic[i[0]] = {'年份': i[1], '电影名称': i[2], '票房(万元)': i[3]}
    return dic

结果展示
image-20221214113141351.png
image-20221214113158609.png
image-20221214133807742.png

  • 完整代码
import requests
import bs4

'''
去访问对应的网页并将网页源码下载下来
需要注意网页的编码格式
'''
def get_web(url):
    header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36 Edg/91.0.864.59"}
    res = requests.get(url, headers=header, timeout=5)
    # 查看当前网页的编码格式
    # print(res.encoding)

    #对网页源码进行编码
    content = res.text.encode('UTF-8')
    return content

'''
对下载下来的网页源码进行解析,然后获取指定内容并存放到一个列表里
'''
def parse_content(content):
    soup = bs4.BeautifulSoup(content, 'lxml')
    movie_list = soup.find_all('tr', attrs={'align': 'left'})
    list = []
    for i in movie_list:
        i = i.text.split('\n')
        i = i[1:len(i)-1]
        list.append(i)

    return list

'''
将列表中的内容转换成字典,以键值对的形式存放
'''
def get_content(url):
    content = get_web(url)
    list = parse_content(content)
    dic = {}
    for i in list:
        i[1] = i[1].replace(u'\xa0', u' ').replace(u'\u200b', u' ').replace(u'\u200e', u' ')
        i[2] = i[2].replace(u'\xa0', u' ').replace(u'\u200b', u' ').replace(u'\u200e', u' ')
        i[3] = i[3].replace(u'\xa0', u' ').replace(u'\u200b', u' ').replace(u'\u200e', u' ')
        dic[i[0]] = {'年份': i[1], '电影名称': i[2], '票房(万元)': i[3]}
    return dic

'''
数据保存
'''
def data_save(dic,year):
    file_name = 'D:\movie\\' + str(year) + '.csv'
    with open(file_name, 'w+') as f:
        f.write('序号,年份,电影名称,票房(万元)\n')
        for k, v in dic.items():
            f.write(k+','+v['年份']+','+v['电影名称']+','+v['票房(万元)']+'\n')


if __name__ == '__main__':
    url = 'http://www.boxofficecn.com/boxoffice'
    for year in range(1994, 2023):
        new_url = url + str(year)
        dic = get_content(new_url)
        print('_____开始获取%s年的票房信息______' %(year))
        data_save(dic, year)
        print('_____获取完成!______')
import requests
import bs4
import sys
import time

'''
根据url访问对应的网页并将网页源码下载下来
'''
def webDownload(year):
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
    url = 'http://www.boxofficecn.com/boxoffice'+str(year)
    response = requests.get(url, headers=headers, timeout=4)
    content = response.text.encode('UTF-8')
    return content


'''
对爬取到的网页内容进行处理——解析和转换成字典形式
'''
def processContent(year):
    content = webDownload(year)

    movie_list = []
    soup = bs4.BeautifulSoup(content, 'lxml')
    list = soup.find_all('tr', attrs={'align': 'left'})
    for i in list:
        movie_list.append(i.text.split('\n')[1:-1])

    movie_dic = {}
    for i in movie_list:
        i[1] = i[1].replace(u'\xa0', u' ').replace(u'\u200b', u' ').replace(u'\u200e', u' ')
        i[2] = i[2].replace(u'\xa0', u' ').replace(u'\u200b', u' ').replace(u'\u200e', u' ')
        i[3] = i[3].replace(u'\xa0', u' ').replace(u'\u200b', u' ').replace(u'\u200e', u' ').replace('–', 'null')
        movie_dic[i[0]] = {'年份': i[1], '电影名称': i[2], '票房(万元)': i[3]}
    return movie_dic


'''
将获取到的历年大陆票房数据保存到本地csv文件
'''
def data2csv(dic,year):
    file_name = 'E:\\movie\\' + str(year) + '.csv'
    with open(file_name, 'w+') as file:
        file.write('名次,年份,电影名称,票房(万元)\n')
        for k, v in dic.items():
            file.write(k+','+v['年份']+','+v['电影名称']+','+v['票房(万元)']+'\n')


if __name__ == '__main__':
    for year in range(1994, 2023):
        dic = processContent(year)
        print('\n_____开始获取%s年的票房信息______' %(year))
        data2csv(dic, year)
        for i in range(1, 101):
            print("\r", end="")
            print("进度: {}%: ".format(i), "▓" * (i // 2), end="")
            sys.stdout.flush()
            time.sleep(0.05)
    print('\n获取完成!')
相关文章
|
3月前
|
数据采集 存储 JSON
Python网络爬虫:Scrapy框架的实战应用与技巧分享
【10月更文挑战第27天】本文介绍了Python网络爬虫Scrapy框架的实战应用与技巧。首先讲解了如何创建Scrapy项目、定义爬虫、处理JSON响应、设置User-Agent和代理,以及存储爬取的数据。通过具体示例,帮助读者掌握Scrapy的核心功能和使用方法,提升数据采集效率。
189 6
|
4月前
|
数据采集 JSON 算法
Python爬虫——基于JWT的模拟登录爬取实战
Python爬虫——基于JWT的模拟登录爬取实战
96 1
Python爬虫——基于JWT的模拟登录爬取实战
|
2天前
|
存储 数据采集 数据库
Python爬虫实战:股票分时数据抓取与存储
Python爬虫实战:股票分时数据抓取与存储
|
2月前
|
数据采集 存储 JavaScript
网页爬虫技术全解析:从基础到实战
在信息爆炸的时代,网页爬虫作为数据采集的重要工具,已成为数据科学家、研究人员和开发者不可或缺的技术。本文全面解析网页爬虫的基础概念、工作原理、技术栈与工具,以及实战案例,探讨其合法性与道德问题,分享爬虫设计与实现的详细步骤,介绍优化与维护的方法,应对反爬虫机制、动态内容加载等挑战,旨在帮助读者深入理解并合理运用网页爬虫技术。
|
4月前
|
数据采集 存储 数据挖掘
深入探索 Python 爬虫:高级技术与实战应用
本文介绍了Python爬虫的高级技术,涵盖并发处理、反爬虫策略(如验证码识别与模拟登录)及数据存储与处理方法。通过asyncio库实现异步爬虫,提升效率;利用tesseract和requests库应对反爬措施;借助SQLAlchemy和pandas进行数据存储与分析。实战部分展示了如何爬取电商网站的商品信息及新闻网站的文章内容。提醒读者在实际应用中需遵守法律法规。
247 66
|
3月前
|
机器学习/深度学习 数据采集 搜索推荐
利用Python和机器学习构建电影推荐系统
利用Python和机器学习构建电影推荐系统
171 1
|
3月前
|
数据采集 Web App开发 前端开发
Python爬虫进阶:Selenium在动态网页抓取中的实战
【10月更文挑战第26天】动态网页抓取是网络爬虫的难点,因为数据通常通过JavaScript异步加载。Selenium通过模拟浏览器行为,可以加载和执行JavaScript,从而获取动态网页的完整内容。本文通过实战案例,介绍如何使用Selenium在Python中抓取动态网页。首先安装Selenium库和浏览器驱动,然后通过示例代码展示如何抓取英国国家美术馆的图片信息。
194 6
|
3月前
|
数据采集 Web App开发 JavaScript
爬虫策略规避:Python爬虫的浏览器自动化
爬虫策略规避:Python爬虫的浏览器自动化
|
3月前
|
数据采集 前端开发 中间件
Python网络爬虫:Scrapy框架的实战应用与技巧分享
【10月更文挑战第26天】Python是一种强大的编程语言,在数据抓取和网络爬虫领域应用广泛。Scrapy作为高效灵活的爬虫框架,为开发者提供了强大的工具集。本文通过实战案例,详细解析Scrapy框架的应用与技巧,并附上示例代码。文章介绍了Scrapy的基本概念、创建项目、编写简单爬虫、高级特性和技巧等内容。
149 4
|
4月前
|
数据采集 JSON 前端开发
JavaScript逆向爬虫实战分析
JavaScript逆向爬虫实战分析
65 4

热门文章

最新文章