基于电影《少年的你》豆瓣影评数据的爬取与分析

目标网站：豆瓣电影

目标网址：https://movie.douban.com/subject/30166972/comments?status=P

目标数据：（1）评价 （2）日期 （3）评论 （4）评论点赞

任务要求：

（1）使用urllib或requests库实现该网站网页源代码的获取，并将源代码进行保存；

（2）自主选择re、bs4、lxml中的一种解析方法对保存的的源代码读取并进行解析，成功找到目标数据所在的特定标签，进行网页结构的解析；

（3）定义函数，将获取的目标数据保存到csv文件中。

（4）使用框架式结构，通过参数传递实现整个特定数据的爬取。

数据爬取

• 链接端口分析，确定爬取页数
  

• 获取页面
  

• 分析页面，爬取信息
  

• 保存数据
  
  

• 代码整合

import requests
from requests.exceptions import RequestException
from bs4 import BeautifulSoup
import bs4
import csv
import re
import time
import randomdef getHTMLTexturl):headers = {'user-agent': 'Mozilla/5.0 Windows NT 10.0; Win64; x64) AppleWebKit/537.36 KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36'}try:r = requests.geturl, headers=headers)r.raise_for_status)r.encoding = r.apparent_encodingreturn r.textexcept RequestException as e:print'error', e)def fillUnivListall_info,url):soup = BeautifulSoupurl, 'html.parser')for i in range20):commentlist = soup.find_all'span',class_ = 'short')votes = soup.find_all'span',class_ = "votes")time = soup.find_all'span',class_ = "comment-time")score = soup.find_all'span', class_ = re.compile'.*) rating'))m = '\d{4}-\d{2}-\d{2}'try:match = re.compilem).matchscore[i]['title'])except IndexError:breakif match is not None:time = scorescore = ["null"]else:passall_dict = { }all_dict["commentlist"] = commentlist[i].textall_dict["votes"] =  votes[i].textall_dict["time"] = time[i].textall_dict["score"] = score[i]['title']all_info.appendall_dict)return all_infodef printHtml_textdata):for ii in data:value_list = listii.values))with open r'D:\qq.txt','a',encoding ='utf-8') as f:f.writestrvalue_list)+'\n')def printHtml_csvdata):with open'D:\data.csv','w',encoding = 'utf-8-sig',newline = '') as csvfile:fieldnames=['评价','日期','评论','评论点赞']writer=csv.DictWritercsvfile,fieldnames=fieldnames)writer.writeheader)for a in data:i = lista.values))writer.writerow{'评价':i[3],'日期':i[2],'评论':i[0],'评论点赞':i[1]})def main):all_info = []for i in range0,200,20):urls = ['https://movie.douban.com/subject/30166972/comments?start='+stri)+'&limit=20&sort=new_score&status=P']for url in urls:
#             printi)time.sleeproundrandom.uniform3, 5), 2))html = getHTMLTexturl)data = fillUnivListall_info,html)printHtml_textdata)printHtml_csvdata)main)

• 数据展示
  
  

数据分析

• 制作词云
  

• 效果图
  
  数据已经爬取出来了，可以使用Bar, Pie做一些效果图，自行发挥就好哈哈哈