使用python爬取电影上映前后两个月的百度指数
https://blog.csdn.net/hcbbbb/article/details/82380418
本文参考了Github上的TerenceLiu2/BaiduIndexCrawl项目,进行适当的改进,使之适用于个人的需要。
本文主要是从excel表格中读取电影的名称以及上映日期,并在百度指数上进行搜索,然后选定指定的上映前后两个月的日期,并将这60天每一天的百度指数数值通过截图的方式截取下来,最后将图片进行识别即可。
本次主要只将图片截取保存下来,识别的话可以使用免费开源的pytesseract,识别度不会特别的高,当然也可以使用网上很多的图像识别系统,个人推荐可以使用百度的AI开放平台 (笑 ,数据量不是很大的话,注册认证之后有一定的免费额度可以使用。
目录
前期准备
注意:本文使用的是python2.7编写的编码。
python
本文安装的为anaconda2.7,anaconda里面有python以及python很多基础的包以及与数据科学相关的包,推荐可以直接安装使用。安装的其他问题请自行百度。
selenium
安装可以查看这篇博客:Python爬虫环境常用库安装(看第四点哦)
基本用法可以查看这篇博客:selenium用法详解
进入正文
初始数据
使用到的数据截图如下,数据来源于豆瓣电影与猫眼网,列对应属性为豆瓣ID,电影名称,票房,想看人数,时长,上映日期。
读取数据
利用xlrd读取excel中的数据。
XmlPath = "data/2016.xls" # 数据路径
rbook = xlrd.open_workbook(XmlPath) # 读取数据
rsheet = rbook.sheet_by_index(0)
id = rsheet.col_values(0) # 第一列数据,id
keywords = rsheet.col_values(1) # 第二列数据,电影名称
releases = rsheet.col_values(5) # 第六列数据,上映日期
ticot = 0 # 从第0行开始读取
对读取的数据进行处理
将第 i 行的数据进行处理,返回第i行数据的电影名称,上映年,月,日。
def load_req(i, keywords, releases):
if keywords != "":
name = keywords[i]
day = releases[i].split('-')[2]
month = releases[i].split('-')[1]
year = releases[i].split('-')[0]
print "正在获取", name.encode("utf-8"), "的百度指数"
return [name, year, month, day]
else:
return False
计算需要选择的日期——电影上映前后一个月
#月份-日字典
Monthdict = {
'01': 31, '02': 28, '03': 31, '04': 30, '05': 31, '06': 30, '07': 31, '08': 31, '09': 30, '10': 31,'11': 30, '12': 31}
def CalculateDate(year, month):
if year == '2010':
fyear = 2011
fmonth = '01'
else:
fyear = year
if int(month) == 1:
fmonth = '12'