1. 程式人生 > >史上最詳細Python爬取電影教程,還不會那也是沒誰了

史上最詳細Python爬取電影教程,還不會那也是沒誰了

摘要: 作為小白,爬蟲可以說是入門python最快和最容易獲得成就感的途徑。因為初級爬蟲的套路相對固定,常見的方法只有幾種,比較好上手。選取網頁結構較為簡單的貓眼top100電影為案例進行練習。 重點是用上述所說的4種方法提取出關鍵內容。一個問題採用不同的解決方法有助於拓展思維,通過不斷練習就能夠靈活運用。

學習Python中有不明白推薦加入交流裙
                             號:735934841
                             群裡有志同道合的小夥伴,互幫互助,


                             群裡有免費的視訊學習教程和PDF!

本文知識點: Requsts 請求庫的使用 beautiful+lxml兩大解析庫使用 正則表示式 、xpath、css選擇器的使用
史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

1. 為什麼爬取該網頁?

  • 比較懶,不想一頁頁地去翻100部電影的介紹,想在一個頁面內進行總體瀏覽(比如在excel表格中);
史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

想深入瞭解一些比較有意思的資訊,比如:哪部電影的評分最高?哪位演員的作品數量最多?哪個國家/地區上榜的電影數量最多?哪一年上榜的電影作品最多等。這些資訊在網頁上是不那麼容易能直接獲得的,所以需要爬蟲。

史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

2. 爬蟲目標

  • 從網頁中提取出top100電影的電影名稱、封面圖片、排名、評分、演員、上映國家/地區、評分等資訊,並儲存為csv文字檔案。
  • 根據爬取結果,進行簡單的視覺化分析。

平臺:windows7 + SublimeText3

3. 爬取步驟

3.1. 網址URL分析

首先,開啟貓眼Top100的url網址: http://maoyan.com/board/4?offset=0。頁面非常簡單,所包含的資訊就是上述所說的爬蟲目標。下拉頁面到底部,點選第2頁可以看到網址變為:http://maoyan.com/board/4?offset=10。因此,可以推斷出url的變化規律:offset表示偏移,10代表一個頁面的電影偏移數量,即:第一頁電影是從0-10,第二頁電影是從11-20。因此,獲取全部100部電影,只需要構造出10個url,然後依次獲取網頁內容,再用不同的方法提取出所需內容就可以了。

下面,用requests方法獲取第一個頁面。

3.2. Requests獲取首頁資料

先定義一個獲取單個頁面的函式:get_one_page(),傳入url引數。

 1def get_one_page(url):
2 try:
3 headers = {
4 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'}
5 # 不加headers爬不了
6 response = requests.get(url, headers=headers)
7 if response.status_code == 200:
8 return response.text
9 else:
10 return None
11 except RequestException:
12 return None
13 # try-except語句捕獲異常

接下來在main()函式中設定url。

1def main():
2 url = 'http://maoyan.com/board/4?offset=0'
3 html = get_one_page(url)
4 print(html)
5
6
7if __name__ == '__main__':
8 main()

執行上述程式後,首頁的原始碼就被爬取下來了。如下圖所示:

史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

接下來就需要從整個網頁中提取出幾項我們需要的內容,用到的方法就是上述所說的四種方法,下面分別進行說明。

3.3. 4種內容解析提取方法

3.3.1. 正則表示式提取

第一種是利用正則表示式提取。

什麼是正則表示式? 下面這串看起來亂七八糟的符號就是正則表示式的語法。

1'<dd>.*?board-index.*?>(d+)</i>.*?src="(.*?)".*?name"><a.*?>(.*?)</a>.*?'

它是一種強大的字串處理工具。之所以叫正則表示式,是因為它們可以識別正則字串(regular string)。可以這麼定義:“ 如果你給我的字串符合規則,我就返回它”;“如果字串不符合規則,我就忽略它”。通過requests抓取下來的網頁是一堆大量的字串,用它處理後便可提取出我們想要的內容。

如果還不瞭解它,可以參考下面的教程:

http://www.runoob.com/regexp/regexp-syntax.htmlhttps://www.w3cschool.cn/regexp/zoxa1pq7.html

下面,開始提取關鍵內容。右鍵網頁-檢查-Network選項,選中左邊第一個檔案然後定位到電影資訊的相應位置,如下圖:

史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

可以看到每部電影的相關資訊都在dd這個節點之中。所以就可以從該節點運用正則進行提取。

第1個要提取的內容是電影的排名。它位於class="board-index"的i節點內。不需要提取的內容用'.*?'替代,需要提取的數字排名用()括起來,()裡面的數字表示為(d+)。正則表示式可以寫為:

1'<dd>.*?board-index.*?>(d+)</i>'

接著,第2個需要提取的是封面圖片,圖片網址位於img節點的'src'屬性中,正則表示式可寫為:

1'src="(.*?)".*?'

 

第1和第2個正則之間的程式碼是不需要的,用'.*?'替代,所以這兩部分合起來寫就是:

1'<dd>.*?board-index.*?>(d+)</i>.*?src="(.*?)"

同理,可以依次用正則寫下主演、上映時間和評分等內容,完整的正則表示式如下:

1'<dd>.*?board-index.*?>(d+)</i>.*?src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>'

正則表示式寫好以後,可以定義一個頁面解析提取方法:parse_one_page(),用來提取內容:

 1def parse_one_page(html):
2 pattern = re.compile(
3 '<dd>.*?board-index.*?>(d+)</i>.*?src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
4 # re.S表示匹配任意字元,如果不加,則無法匹配換行符
5 items = re.findall(pattern, html)
6 # print(items)
7 for item in items:
8 yield {
9 'index': item[0],
10 'thumb': get_thumb(item[1]), # 定義get_thumb()方法進一步處理網址
11 'name': item[2],
12 'star': item[3].strip()[3:],
13 # 'time': item[4].strip()[5:],
14 # 用兩個方法分別提取time裡的日期和地區
15 'time': get_release_time(item[4].strip()[5:]),
16 'area': get_release_area(item[4].strip()[5:]),
17 'score': item[5].strip() + item[6].strip()
18 # 評分score由整數+小數兩部分組成
19 }
Tips: re.S:匹配任意字元,如果不加,則無法匹配換行符; yield:使用yield的好處是作為生成器,可以遍歷迭代,並且將資料整理形成字典,輸出結果美觀。具體用法可參考:https://blog.csdn.net/zhangpinghao/article/details/18716275; .strip():用於去掉字串中的空格。

上面程式為了便於提取內容,又定義了3個方法:get_thumb()、get_release_time()和 get_release_area():

 1# 獲取封面大圖
2def get_thumb(url):
3 pattern = re.compile(r'(.*?)@.*?')
4 thumb = re.search(pattern, url)
5 return thumb.group(1)
6# http://p0.meituan.net/movie/[email protected]_220h_1e_1c
7# 去掉@160w_220h_1e_1c就是大圖
8
9
10# 提取上映時間函式
11def get_release_time(data):
12 pattern = re.compile(r'(.*?)((|$)')
13 items = re.search(pattern, data)
14 if items is None:
15 return '未知'
16 return items.group(1) # 返回匹配到的第一個括號(.*?)中結果即時間
17
18
19# 提取國家/地區函式
20def get_release_area(data):
21 pattern = re.compile(r'.*((.*))')
22 # $表示匹配一行字串的結尾,這裡就是(.*?);(|$,表示匹配字串含有(,或者只有(.*?)
23 items = re.search(pattern, data)
24 if items is None:
25 return '未知'
26 return items.group(1)
Tips: 'r':正則前面加上'r' 是為了告訴編譯器這個string是個raw string,不要轉意''。當一個字串使用了正則表示式後,最好在前面加上'r'; '|' 正則'|'表示或','′:∗∗正則′∣′表示或′,′'表示匹配一行字串的結尾; .group(1):意思是返回search匹配的第一個括號中的結果,即(.*?),gropup()則返回所有結果2013-12-18(,group(1)返回'('。

接下來,修改main()函式來輸出爬取的內容:

 1def main():
2 url = 'http://maoyan.com/board/4?offset=0'
3 html = get_one_page(url)
4
5 for item in parse_one_page(html):
6 print(item)
7
8
9if __name__ == '__main__':
10 main()
Tips: if _ name_ == '_ main_':當.py檔案被直接執行時,if _ name_ == '_ main_'之下的程式碼塊將被執行;當.py檔案以模組形式被匯入時,if _ name_ == '_ main_'之下的程式碼塊不被執行。 參考:https://blog.csdn.net/yjk13703623757/article/details/77918633。

執行程式,就可成功地提取出所需內容,結果如下:

1{'index': '1', 'thumb': 'http://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg', 'name': '霸王別姬', 'star': '張國榮,張豐毅,鞏俐', 'time': '1993-01-01', 'area': '中國香港', 'score': '9.6'}
2{'index': '2', 'thumb': 'http://p0.meituan.net/movie/54617769d96807e4d81804284ffe2a27239007.jpg', 'name': '羅馬假日', 'star': '格利高裡·派克,奧黛麗·赫本,埃迪·艾伯特', 'time': '1953-09-02', 'area': '美國', 'score': '9.1'}
3{'index': '3', 'thumb': 'http://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg', 'name': '肖申克的救贖', 'star': '蒂姆·羅賓斯,摩根·弗里曼,鮑勃·岡頓', 'time': '1994-10-14', 'area': '美國', 'score': '9.5'}
4{'index': '4', 'thumb': 'http://p0.meituan.net/movie/e55ec5d18ccc83ba7db68caae54f165f95924.jpg', 'name': '這個殺手不太冷', 'star': '讓·雷諾,加里·奧德曼,娜塔莉·波特曼', 'time': '1994-09-14', 'area': '法國', 'score': '9.5'}
5{'index': '5', 'thumb': 'http://p1.meituan.net/movie/f5a924f362f050881f2b8f82e852747c118515.jpg', 'name': '教父', 'star': '馬龍·白蘭度,阿爾·帕西諾,詹姆斯·肯恩', 'time': '1972-03-24', 'area': '美國', 'score': '9.3'}
6
7...
8}
9[Finished in 1.9s]

以上是第1種提取方法,如果還不習慣正則表示式這種複雜的語法,可以試試下面的第2種方法。

3.3.2. lxml結合xpath提取

該方法需要用到lxml這款解析利器,同時搭配xpath語法,利用它的的路徑選擇表示式,來高效提取所需內容。lxml包為第三方包,需要自行安裝。如果對xpath的語法還不太熟悉,可參考下面的教程:

http://www.w3school.com.cn/xpath/xpath_syntax.asp

 1</div>
2
3
4 <div class="container" id="app" class="page-board/index" >
5
6<div class="content">
7 <div class="wrapper">
8 <div class="main">
9 <p class="update-time">2018-08-18<span class="has-fresh-text">已更新</span></p>
10 <p class="board-content">榜單規則:將貓眼電影庫中的經典影片,按照評分和評分人數從高到低綜合排序取前100名,每天上午10點更新。相關資料來源於“貓眼電影庫”。</p>
11 <dl class="board-wrapper">
12 <dd>
13 <i class="board-index board-index-1">1</i>
14 <a href="/films/1203" title="霸王別姬" class="image-link" data-act="boarditem-click" data-val="{movieId:1203}">
15 <img src="//ms0.meituan.net/mywww/image/loading_2.e3d934bf.png" alt="" class="poster-default" />
16 <img src="http://p1.meituan.net/movie/[email protected]_220h_1e_1c" alt="霸王別姬" class="board-img" />
17 </a>
18 <div class="board-item-main">
19 <div class="board-item-content">
20 <div class="movie-item-info">
21 <p class="name"><a href="/films/1203" title="霸王別姬" data-act="boarditem-click" data-val="{movieId:1203}">霸王別姬</a></p>
22 <p class="star">
23 主演:張國榮,張豐毅,鞏俐
24 </p>
25<p class="releasetime">上映時間:1993-01-01(中國香港)</p> </div>
26 <div class="movie-item-number score-num">
27<p class="score"><i class="integer">9.</i><i class="fraction">6</i></p>
28 </div>
29
30 </div>
31 </div>
32
33 </dd>
34 <dd>

根據擷取的部分html網頁,先來提取第1個電影排名資訊,有兩種方法。

第一種:直接複製。

右鍵-Copy-Copy Xpath,得到xpath路徑為://*[@id="app"]/div/div/div[1]/dl/dd[1]/i,為了能夠提取到頁面所有的排名資訊,需進一步修改為://*[@id="app"]/div/div/div[1]/dl/dd/i/text(),如果想要再精簡一點,可以省去中間部分絕對路徑'/'然後用相對路徑'//'代替,最後進一步修改為://*[@id="app"]//div//dd/i/text()。

史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

第二種:觀察網頁結構自己寫。

首先注意到id = app的div節點,因為在整個網頁結構id是唯一的不會有第二個相同的,所有可以將該div節點作為xpath語法的起點,然後往下觀察分別是3級div節點,可以省略寫為://div,再往下分別是是兩個並列的p節點、dl節點、dd節點和最後的i節點文字。中間可以隨意省略,只要保證該路徑能夠選擇到唯一的文字值'1'即可,例如省去p和dl節點,只保留後面的節點。這樣,完整路徑可以為://*[@id="app"]//div//dd/i/text(),和上式一樣。

史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

根據上述思路,可以寫下其他內容的xpath路徑。觀察到路徑的前一部分://*[@id="app"]//div//dd都是一樣的,從後面才開始不同,因此為了能夠精簡程式碼,將前部分路徑賦值為一個變數items,最終提取的程式碼如下:

 1# 2 用lxml結合xpath提取內容
2def parse_one_page2(html):
3 parse = etree.HTML(html)
4 items = parse.xpath('//*[@id="app"]//div//dd')
5 # 完整的是//*[@id="app"]/div/div/div[1]/dl/dd
6 # print(type(items))
7 # *代表匹配所有節點,@表示屬性
8 # 第一個電影是dd[1],要提取頁面所有電影則去掉[1]
9 # xpath://*[@id="app"]/div/div/div[1]/dl/dd[1]
10 for item in items:
11 yield{
12 'index': item.xpath('./i/text()')[0],
13 #./i/text()前面的點表示從items節點開始
14 #/text()提取文字
15 'thumb': get_thumb(str(item.xpath('./a/img[2]/@src')[0].strip())),
16 # 'thumb': 要在network中定位,在elements裡會寫成@src而不是@src,從而會報list index out of range錯誤。
17 'name': item.xpath('./a/@title')[0],
18 'star': item.xpath('.//p[@class = "star"]/text()')[0].strip(),
19 'time': get_release_time(item.xpath(
20 './/p[@class = "releasetime"]/text()')[0].strip()[5:]),
21 'area': get_release_area(item.xpath(
22 './/p[@class = "releasetime"]/text()')[0].strip()[5:]),
23 'score' : item.xpath('.//p[@class = "score"]/i[1]/text()')[0] +
24 item.xpath('.//p[@class = "score"]/i[2]/text()')[0]
25 }
Tips: [0]:xpath後面添加了[0]是因為返回的是隻有1個字串的list,新增[0]是將list提取為字串,使其簡潔;Network:要在最原始的Network選項卡中定位,而不是Elements中,不然提取不到相關內容;class屬性:p[@class = "star"]/text()表示提取class屬性為"star"的p節點的文字值;提取屬性值:img[2]/@src':提取img節點的src屬性值,屬性值後面無需新增'/text()'

執行程式,就可成功地提取出所需內容,結果和第一種方法一樣。

以上是第2種提取方法,如果也不太習慣xpath語法,可以試試下面的第3種方法。

3.3.3. Beautiful Soup + css選擇器

Beautiful Soup 同lxml一樣,是一個非常強大的python解析庫,可以從HTML或XML檔案中提取效率非常高。關於它的用法,可參考下面的教程:

https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

css選擇器選是一種模式,用於選擇需要新增樣式的元素,使用它的語法同樣能夠快速定位到所需節點,然後提取相應內容。使用方法可參考下面的教程:

http://www.w3school.com.cn/cssref/css_selectors.asp

下面就利用這種方法進行提取:

 1# 3 用beautifulsoup + css選擇器提取
2def parse_one_page3(html):
3 soup = BeautifulSoup(html, 'lxml')
4 # print(content)
5 # print(type(content))
6 # print('------------')
7 items = range(10)
8 for item in items:
9 yield{
10
11 'index': soup.select('dd i.board-index')[item].string,
12 # iclass節點完整地為'board-index board-index-1',寫board-index即可
13 'thumb': get_thumb(soup.select('a > img.board-img')[item]["src"]),
14 # 表示a節點下面的class = board-img的img節點,注意瀏覽器eelement裡面是src節點,而network裡面是src節點,要用這個才能正確返回值
15
16 'name': soup.select('.name a')[item].string,
17 'star': soup.select('.star')[item].string.strip()[3:],
18 'time': get_release_time(soup.select('.releasetime')[item].string.strip()[5:]),
19 'area': get_release_area(soup.select('.releasetime')[item].string.strip()[5:]),
20 'score': soup.select('.integer')[item].string + soup.select('.fraction')[item].string
21
22 }

執行上述程式,結果同第1種方法一樣。

3.3.4. Beautiful Soup + find_all函式提取

Beautifulsoup除了和css選擇器搭配,還可以直接用它自帶的find_all函式進行提取。

find_all,顧名思義,就是查詢所有符合條件的元素,可以給它傳入一些屬性或文字來得到符合條件的元素,功能十分強大。

它的API如下:

1find_all(name , attrs , recursive , text , **kwargs)

 

常用的語法規則如下: soup.find_all(name='ul'): 查詢所有ul節點,ul節點內還可以巢狀; li.string和li.get_text():都是獲取li節點的文字,但推薦使用後者;soup.find_all(attrs={'id': 'list-1'})):傳入 attrs 引數,引數的型別是字典型別,表示查詢 id 為 list-1 的節點;常用的屬性比如 id、class 等,可以省略attrs採用更簡潔的形式,例如:soup.find_all(id='list-1') soup.find_all(class_='element')

根據上述常用語法,可以提取網頁中所需內容:

 1def parse_one_page4(html):
2 soup = BeautifulSoup(html,'lxml')
3 items = range(10)
4 for item in items:
5 yield{
6
7 'index': soup.find_all(class_='board-index')[item].string,
8 'thumb': soup.find_all(class_ = 'board-img')[item].attrs['src'],
9 # 用.get('src')獲取圖片src連結,或者用attrs['src']
10 'name': soup.find_all(name = 'p',attrs = {'class' : 'name'})[item].string,
11 'star': soup.find_all(name = 'p',attrs = {'class':'star'})[item].string.strip()[3:],
12 'time': get_release_time(soup.find_all(class_ ='releasetime')[item].string.strip()[5:]),
13 'area': get_release_time(soup.find_all(class_ ='releasetime')[item].string.strip()[5:]),
14 'score':soup.find_all(name = 'i',attrs = {'class':'integer'})[item].string.strip() + soup.find_all(name = 'i',attrs = {'class':'fraction'})[item].string.strip()
15
16 }

以上就是4種不同的內容提取方法。

3.4. 資料儲存

上述輸出的結果為字典格式,可利用csv包的DictWriter函式將字典格式資料儲存到csv檔案中。

1# 資料儲存到csv
2def write_to_file3(item):
3 with open('貓眼top100.csv', 'a', encoding='utf_8_sig',newline='') as f:
4 # 'a'為追加模式(新增)
5 # utf_8_sig格式匯出csv不亂碼
6 fieldnames = ['index', 'thumb', 'name', 'star', 'time', 'area', 'score']
7 w = csv.DictWriter(f,fieldnames = fieldnames)
8 # w.writeheader()
9 w.writerow(item)

然後修改一下main()方法:

 1def main():
2 url = 'http://maoyan.com/board/4?offset=0'
3 html = get_one_page(url)
4
5 for item in parse_one_page(html):
6 # print(item)
7 write_to_csv(item)
8
9
10if __name__ == '__main__':
11 main()

結果如下圖:

史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

再將封面的圖片下載下來:

 1def download_thumb(name, url,num):
2 try:
3 response = requests.get(url)
4 with open('封面圖/' + name + '.jpg', 'wb') as f:
5 f.write(response.content)
6 print('第%s部電影封面下載完畢' %num)
7 print('------')
8 except RequestException as e:
9 print(e)
10 pass
11 # 不能是w,否則會報錯,因為圖片是二進位制資料所以要用wb

3.5. 分頁爬取

上面完成了一頁電影資料的提取,接下來還需提取剩下9頁共90部電影的資料。對網址進行遍歷,給網址傳入一個offset引數即可,修改如下:

 1def main(offset):
2 url = 'http://maoyan.com/board/4?offset=' + str(offset)
3 html = get_one_page(url)
4
5 for item in parse_one_page(html):
6 # print(item)
7 write_to_csv(item)
8
9
10if __name__ == '__main__':
11 for i in range(10):
12 main(offset = i*10)

這樣就完成了所有電影的爬取。結果如下:

史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

4. 視覺化分析

俗話說“文不如表,表不如圖”。下面根據excel的資料結果,進行簡單的資料視覺化分析,並用圖表呈現。

4.1. 電影評分最高top10

首先,想看一看評分最高的前10部電影是哪些?

程式如下:

 1import pandas as pd
2import matplotlib.pyplot as plt
3import pylab as pl #用於修改x軸座標
4
5plt.style.use('ggplot') #預設繪圖風格很難看,替換為好看的ggplot風格
6fig = plt.figure(figsize=(8,5)) #設定圖片大小
7colors1 = '#6D6D6D' #設定圖表title、text標註的顏色
8
9columns = ['index', 'thumb', 'name', 'star', 'time', 'area', 'score'] #設定表頭
10df = pd.read_csv('maoyan_top100.csv',encoding = "utf-8",header = None,names =columns,index_col = 'index') #開啟表格
11# index_col = 'index' 將索引設為index
12
13df_score = df.sort_values('score',ascending = False) #按得分降序排列
14
15name1 = df_score.name[:10] #x軸座標
16score1 = df_score.score[:10] #y軸座標
17plt.bar(range(10),score1,tick_label = name1) #繪製條形圖,用range()能搞保持x軸正確順序
18plt.ylim ((9,9.8)) #設定縱座標軸範圍
19plt.title('電影評分最高top10',color = colors1) #標題
20plt.xlabel('電影名稱') #x軸標題
21plt.ylabel('評分') #y軸標題
22
23# 為每個條形圖新增數值標籤
24for x,y in enumerate(list(score1)):
25 plt.text(x,y+0.01,'%s' %round(y,1),ha = 'center',color = colors1)
26
27pl.xticks(rotation=270) #x軸名稱太長髮生重疊,旋轉為縱向顯示
28plt.tight_layout() #自動控制空白邊緣,以全部顯示x軸名稱
29# plt.savefig('電影評分最高top10.png') #儲存圖片
30plt.show()

結果如下圖:

史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

可以看到:排名最高的分別是兩部國產片"霸王別姬"和"大話西遊",其他還包括"肖申克的救贖"、"教父"等。

嗯,還好基本上都看過。

4.2. 各國家的電影數量比較

然後,想看看100部電影都是來自哪些國家?

程式如下:

 1area_count = df.groupby(by = 'area').area.count().sort_values(ascending = False)
2
3# 繪圖方法1
4area_count.plot.bar(color = '#4652B1') #設定為藍紫色
5pl.xticks(rotation=0) #x軸名稱太長重疊,旋轉為縱向
6
7
8# 繪圖方法2
9# plt.bar(range(11),area_count.values,tick_label = area_count.index)
10
11for x,y in enumerate(list(area_count.values)):
12 plt.text(x,y+0.5,'%s' %round(y,1),ha = 'center',color = colors1)
13plt.title('各國/地區電影數量排名',color = colors1)
14plt.xlabel('國家/地區')
15plt.ylabel('數量(部)')
16plt.show()
17# plt.savefig('各國(地區)電影數量排名.png')

結果如下圖:

史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

可以看到,除去網站自身沒有顯示國家的電影以外,上榜電影被10個國家/地區"承包"了。其中,美國以30部電影的絕對優勢佔據第1名,其次是8部的日本,韓國第3,居然有7部上榜。

不得不說的是香港有5部,而內地一部都沒有。。。

4.3. 電影作品數量集中的年份

接下來站在漫長的百年電影史的時間角度上,分析一下哪些年份"貢獻了"最多的電影數量,也可以說是"電影大年"。

 1# 從日期中提取年份
2df['year'] = df['time'].map(lambda x:x.split('/')[0])
3# print(df.info())
4# print(df.head())
5
6# 統計各年上映的電影數量
7grouped_year = df.groupby('year')
8grouped_year_amount = grouped_year.year.count()
9top_year = grouped_year_amount.sort_values(ascending = False)
10
11
12# 繪圖
13top_year.plot(kind = 'bar',color = 'orangered') #顏色設定為橙紅色
14for x,y in enumerate(list(top_year.values)):
15 plt.text(x,y+0.1,'%s' %round(y,1),ha = 'center',color = colors1)
16plt.title('電影數量年份排名',color = colors1)
17plt.xlabel('年份(年)')
18plt.ylabel('數量(部)')
19
20plt.tight_layout()
21# plt.savefig('電影數量年份排名.png')
22
23plt.show()

結果如下圖:

史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

可以看到,100部電影來自37個年份。其中2011年上榜電影數量最多,達到9部;其次是前一年的7部。回憶一下,那會兒正是上大學的頭兩年,可怎麼感覺除了阿凡達之外,沒有什麼其他有印象的電影了。。。

另外,網上傳的號稱"電影史奇蹟年"的1994年僅排名第6。這讓我進一步對貓眼榜單的權威性產生了質疑。

再往後看,發現遙遠的1939和1940年也有電影上榜。那會兒應該還是黑白電影時代吧,看來電影的口碑好壞跟外在的技術沒有絕對的關係,質量才是王道。

4.3.1. 擁有電影作品數量最多的演員

最後,看看前100部電影中哪些演員的作品數量最多。

程式如下:

 1#表中的演員位於同一列,用逗號分割符隔開。需進行分割然後全部提取到list中
2starlist = []
3star_total = df.star
4for i in df.star.str.replace(' ','').str.split(','):
5 starlist.extend(i)
6# print(starlist)
7# print(len(starlist))
8
9# set去除重複的演員名
10starall = set(starlist)
11# print(starall)
12# print(len(starall))
13
14starall2 = {}
15for i in starall:
16 if starlist.count(i)>1:
17 # 篩選出電影數量超過1部的演員
18 starall2[i] = starlist.count(i)
19
20starall2 = sorted(starall2.items(),key = lambda starlist:starlist[1] ,reverse = True)
21
22starall2 = dict(starall2[:10]) #將元組轉為字典格式
23
24# 繪圖
25x_star = list(starall2.keys()) #x軸座標
26y_star = list(starall2.values()) #y軸座標
27
28plt.bar(range(10),y_star,tick_label = x_star)
29pl.xticks(rotation = 270)
30for x,y in enumerate(y_star):
31 plt.text(x,y+0.1,'%s' %round(y,1),ha = 'center',color = colors1)
32
33plt.title('演員電影作品數量排名',color = colors1)
34plt.xlabel('演員')
35plt.ylabel('數量(部)')
36plt.tight_layout()
37plt.show()
38# plt.savefig('演員電影作品數量排名.png')

結果如下圖:

史上最詳細Python爬取電影教程,還不會那也是沒誰了

 

張國榮排在了第一位,這是之前沒有猜到的。其次是梁朝偉和星爺,再之後是布拉德·皮特。驚奇地發現,前十名影星中,香港影星居然佔了6位。有點嚴重懷疑這是不是香港版的top100電影。。。

對張國榮以7部影片的巨大優勢雄霸榜單第一位感到好奇,想看看是哪7部電影。

1df['star1'] = df['star'].map(lambda x:x.split(',')[0]) #提取1號演員
2df['star2'] = df['star'].map(lambda x:x.split(',')[1]) #提取2號演員
3star_most = df[(df.star1 == '張國榮') | (df.star2 == '張國榮')][['star','name']].reset_index('index')
4# |表示兩個條件或查詢,之後重置索引
5print(star_most)

可以看到包括排名第1的"霸王別姬"、第17名的"春光乍洩"、第27名的"射鵰英雄傳之東成西就"等。

突然發現,好像只看過"英雄本色"。。。有時間,去看看他其他的作品。

1 index star name
20 1 張國榮,張豐毅,鞏俐 霸王別姬
31 17 張國榮,梁朝偉,張震 春光乍洩
42 27 張國榮,梁朝偉,張學友 射鵰英雄傳之東成西就
53 37 張國榮,梁朝偉,劉嘉玲 東邪西毒
64 70 張國榮,王祖賢,午馬 倩女幽魂
75 99 張國榮,張曼玉,劉德華 阿飛正傳
86 100 狄龍,張國榮,周潤發 英雄本色

由於資料量有限,故僅作了上述簡要的分析。