爬取烂番茄Top100电影数据(requests、Beautiful Soup工具)
编写这个简单的python爬虫是为了数据分析中收集数据这一步来做基础。这是最基础的,还会继续在此基础上继续扩展,使其功能更加完整!
此次是爬取的烂番茄网的排名top100的100个电影网页,来制成一个包含电影名称,观众评分,观看人数的datafrome表格。
步骤:现将100个网页html下载到rt_html文件夹中,然后运用python的beautiful soup构造函数中的.find() .find_all()来对其进行解析,查找。
from bs4 import BeautifulSoup
import os
import pandas as pd
df_list = []#创建字典列表,等待转成datafrome
folder = 'rt_html'#下载的html文件夹所在路径
for movie_html in os.listdir(folder):#循环从rt_html文件夹中加载当前要用的网页
with open(os.path.join(folder, movie_html)) as file:
soup=BeautifulSoup(file,'lxml')
title=soup.find('title').contents[0][:-18]#获取当前网页标题(即电影名称)
audience_score=soup.find('div',class_='audience-score meter').find('span').contents[0][:-1]#获取电影的观众评分
a=soup.find('div',class_='audience-info hidden-xs superPageFontColor')#获取观众的人数
num_audience_ratings=a.find_all('div')[1].contents[2].strip().replace(',','')
df_list.append({'title': title,
'audience_score': int(audience_score),
'number_of_audience_ratings': int(num_audience_ratings)})
df = pd.DataFrame(df_list, columns = ['title', 'audience_score', 'number_of_audience_ratings'])#转换成datafrome
df.head() #展示
title audience_score number_of_audience_ratings
0 12 Angry Men (Twelve Angry Men) (1957) 97 103672
1 12 Years a Slave (2013) 90 138789
2 A Hard Day's Night (1964) 89 50067
3 A Streetcar Named Desire (1951) 90 54761
4 Alien (1979) 94 457186
5 All About Eve (1950) 94 44564