刚好最近在做一个关于中国电影市场的分析,所以这篇实例就诞生啦!!!
一、观察网页
我所爬取的网站是:中国票房——年度票房。
网址甩出来:http://www.cbooo.cn/year?year=2019
我们需要的数据是从2015年到2019年,每部电影的名称、详情页url、类型、总票房、国家及地区、上映日期
点进去的页面是介个样子滴~它总共有25条数据,就是2019年的TOP25!
左上角框出来的地方是可以选择年份的,我们可以通过它来观察不同年份间url的相似点。如下图:我们观察到他们的网址是有规律的,即:http://www.cbooo.cn/year?year=
+ 年份
这样我们就可以直接获取到所有的网址
二、分步实现
1.导包
导入我们所需要的包
import os
import requests
from lxml import etree
import pandas as pd
2.定义获取数据的函数
因为每年都要请求一遍,所以为了方便,我们将它写成一个函数,直接调用,方便我们自己。
headers = {
'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) \
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'}
cookies = {
'SUB':'_2A25wmfkgDeRhGeBI4lcU9irOzD2IHXVQZYdorDV6PUJbkdAKLUvAkW1NRkZNESdNnLdqXAeecDulr43bOma1k9ut'}
def get_data(url):
r = requests.get(url, headers=headers, cookies=cookies, timeout=30)
r.raise_for_status() #查看是否正常,正常返回200,否则返回404等
r.encoding='utf-8'
return r.text
此函数会返回url的网页源代码的内容,以url='http://www.cbooo.cn/year?year=2019’为例,下图为get_data后的结果,得到data后,我们就可以解析它,获取到我们想要的部分
3.提前创建csv表
local_data='D:/Learn'
local_main2=local_data+'/'+'movie.csv'#设置路径
if not os.path.exists(local_main2):
data = pd.DataFrame(columns