Python爬取猫眼电影榜单评分，以及评论

猫眼电影评论爬取

【目标】
（1）爬取榜单电影名称以及评分，简单的数据可视化。
（2）爬取《 你好，李焕英》的评论，用词云显示

第一步：了解反爬机制：
1.请求过多，ip地址会被封掉24h。
2. User-Agent要频繁更换

第二步：如何避免反爬：
1.使用虚拟ip（网站：https://h.shenlongip.com/index/index.html，注册可领取500ip）。
2. 引入fake-useragent，配合random函数。

第三步：确定URL地址
（1）猫眼榜单URL：

https://maoyan.com/board

（2）你好李焕英页面URL：

https://maoyan.com/films/1299372

第四步：
一：获取榜单电影名称，以及评分

1.分析网页源代码

使用正则表达式

<dd>.*?<a href=.*? title="(.*?)" class="image-link".*?<p class="score"><i class="integer">(.*?)</i><i class="fraction">(.*?)</i>

代码实现：

def parse_html_one(self,one_url):       
        one_regex = '<dd>.*?<a href=.*? title="(.*?)" class="image-link".*?<p class="score"><i class="integer">(.*?)</i><i class="fraction">(.*?)</i>'
        one_html = self.get_html(url=one_url)
        r_list = self.re_func(one_regex,one_html)
        list01=[]
        list02 =[]
        j=1
        for i in r_list:
            list01.append(i[0])
            list02.append(eval(i[1]+i[2]))
            print("排行第 {} 名：".format(j),i[0],'  '+i[1]+i[2])
            j=j+1

输出结果：

将排行前四的电影及评分用条形图展示：
代码实现：

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.xlabel('电影名称')
plt.ylabel('评分')
plt.bar(list01[0:4], list02[0:4])
plt.title('热门电影排行')               
plt.savefig('g:spider/猫眼电影/排行分析/谭——排行.png', dpi=300)
plt.show()

条形图展示：

二：爬取《 你好，李焕英》的评论，并用词云显示。
1.分析网页源代码：

用正则表达式表示：

<div class="comment-content">(.*?)</div>

将获取的内容保存到txt文件中
读取txt文件，用词云展示

def word_coud(self,s,name_list,text):  
        #功能：生成词云
        cut_text = jieba.cut(text)
        result = " ".join(cut_text)
        font = r'C:\Windows\Fonts\simfang.ttf'
        wc = WordCloud(collocations=False, 
                       font_path=font, 
                       width=800, height=800, 
                       margin=2,
                       scale=20,
                       max_words=30,               
                       background_color='white').generate(text.lower())
        
        plt.imshow(wc)
        plt.axis("off")
        plt.show()
        wc.to_file('g:spider/猫眼电影/排行分析//谭——{}.png'.format(name_list))

词云展示：

完整代码：

#需要安装re库，requests库，fake_useragent库，wordcloud库，jieba库，matplotlib库
#在cmd中使用pip install 相应的库
import re
import requests
import time
import random
from fake_useragent import UserAgent#代理池
import matplotlib.pyplot as plt
import jieba
from wordcloud import WordCloud

class Catfilmspidr:
    def __init__(self):
        self.paihang_url = 'https://maoyan.com/board'
        self.list_url = 'https://maoyan.com/films/1299372'
        #初始化
        pass
        
    def get_html(self,url):
        #功能：请求网页
        ip = '222.93.74.8:63325'     
        header = {'User-Agent':UserAgent().random}
        html = requests.get(url = url,proxies ={'http' : 'http://{}'.format(ip),'https':'https://{}'.format(ip)},headers = header).content.decode('utf-8')
        return html
        
    
               
    def re_func(self,regex,html):
        #功能：解析网页
        pattern = re.compile(regex,re.S)
        r_list = pattern.findall(html)
        return r_list
    
    
    def parse_html_one(self,one_url):       
        one_regex = '<dd>.*?<a href=.*? title="(.*?)" class="image-link".*?<p class="score"><i class="integer">(.*?)</i><i class="fraction">(.*?)</i>'
        one_html = self.get_html(url=one_url)
        r_list = self.re_func(one_regex,one_html)
        list01=[]
        list02 =[]
        j=1
        for i in r_list:
            list01.append(i[0])
            list02.append(eval(i[1]+i[2]))
            print("排行第 {} 名：".format(j),i[0],'  '+i[1]+i[2])
            j=j+1
            
        #功能：生成条形图
        plt.rcParams['font.sans-serif'] = ['SimHei']
        plt.rcParams['axes.unicode_minus'] = False
        plt.xlabel('电影名称')
        plt.ylabel('评分')
        plt.bar(list01[0:4], list02[0:4])
        plt.title('热门电影排行')               
        plt.savefig('g:spider/猫眼电影/排行分析/谭——排行.png', dpi=300)
        plt.show()
                       
    
    def parse_html_two(self,two_url):
        #功能：提取网页内容       
        name_regex = '<h1 class="name">(.*?)</h1>' #电影名称正则表达式       
        comment_regex ='<div class="comment-content">(.*?)</div>'#评论正则表达式
        two_html = self.get_html(url=two_url)
        name_list = self.re_func(name_regex,two_html)#获取电影名称（列表类型）        
        comment_list = self.re_func(comment_regex,two_html)#获取评论信息（列表类型）
        file_name = 'g:spider/猫眼电影/排行分析/谭——{}.txt'.format(name_list[0])        
        f = open(file_name,'w',encoding='utf-8')  #评论保存      
        print(name_list)
        for i in comment_list:                       
            f.write(i)
            f.write('\n')
        print('{}抓取成功'.format(name_list[0]))
        f.close        
        self.word_parse(file_name,name_list[0])#词频分析
           
    def word_parse(self,file_name,name_list): 
        #功能：词频分析，可以参照Python语言程序设计基础P171
        text = open(file_name, "r",encoding='utf-8').read()
        counts={}
        words = jieba.cut(text)        
        for word in words:
            if len(word)==1:
                continue
            else:
                counts[word]=counts.get(word,0)+1
        items =list(counts.items())
        items.sort(key=lambda x:x[1],reverse=True)
        s='  '
        for i in range(5):
            word,count = items[i]
            s=word+','+s    
            print('{}:{}'.format(word,count))
        print(s)
        self.word_coud(s,name_list,text) #生成词云 图片保存      
        
    def word_coud(self,s,name_list,text):  
        #功能：生成词云
        cut_text = jieba.cut(text)
        result = " ".join(cut_text)
        font = r'C:\Windows\Fonts\simfang.ttf'
        wc = WordCloud(collocations=False, 
                       font_path=font, 
                       width=800, height=800, 
                       margin=2,
                       scale=20,
                       max_words=30,               
                       background_color='white').generate(text.lower())
        
        plt.imshow(wc)
        plt.axis("off")
        plt.show()
        wc.to_file('g:spider/猫眼电影/排行分析//谭——{}.png'.format(name_list))
                                   
    
    def run_spider(self):
        self.parse_html_one(self.paihang_url)
        self.parse_html_two(self.list_url)
            
    
                
        
if __name__=='__main__':
    start_time = time.time()
    spider =Catfilmspidr()
    spider.run_spider()
    end_time =time.time()
    a=end_time - start_time
    print('执行时间为：{0:.2f}'.format(a))