Python爬取近十年中国电影票房数据与分析
一、选题背景
Q:为什么选择选择此题？
随着网络的迅速发展，万维网成为大量信息的载体，如何有效地提取并利用这些信息成为一个巨大的挑战。
Q：达到什么预期目标？
爬取中国近10年的电影票房，并数据可视化。
Q：项目背景
“2013年受市场热捧的电影行业其实是个现金流状况很差的行业。中国每年会拍七百多部电影，只有两百多部能够上映，其中票房能够超过五亿的屈指可数。即使赚了五亿的票房“大获成功”的电影，扣除分给院线的一半，再扣除发行费，宣传费，制片方能够拿到手的大概只有2亿多一点。再扣除给编剧、导演、制片和演员的薪酬以及拍摄中的各种成本，最后剩下的净利润可能只有几千万。”
这句话让我对中国的电影市场产生了好奇，想了解一下近年来中国电影市场的发展，于是想爬取近十年的中国电影票房。
二、主题式网络爬虫设计
Q:主题是网络爬虫名称
爬取近十年中国电影票房数据
Q：主题式网络爬虫的内容
爬取中国近10年的电影票房，并实现数据可视化。
Q：设计方案描述
使用 beautifulsoup 里面的 find_all 函数来进行定位，其他 xpath 等方法，都不大行得通。爬取的票房数据要进行预处理，因为票房数据中可能含有中文。
三、主页体面的结构特征分析这是一个中国电影票房的首页界面
结构特征
结构分析
四、网络爬虫程序分析
# 引入库
import pandas as pd
import time
import urllib.request
from lxml.html import fromstring
from bs4 import BeautifulSoup
# 下载链接
def download(url):
print(\'Downloading:\', url)
request = urllib.request.Request(url)
request.add_header(\'User-agent\', \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36\') #进行伪装
resp = urllib.request.urlopen(request)
html = resp.read().decode(\'utf-8\')
return html
# 待爬取内容
name = []
year = []
Box_office = []
# 循环爬取每页内容
for k in range(10):
movie_year = 2010+k
url = download(\'http://www.boxofficecn.com/boxoffice{}\'.format(movie_year))
time.sleep(3) #间隔3s，防止被封禁
tree = fromstring(url)
soup = BeautifulSoup(url)
length_string = soup.find(\'div\',{\'class\':\'entry-content\'}).p.get_text()
length = int(re.search(\'[0-9]{1,3}(?=部)\',length_string).group())
for k in range(length):
name.append(soup.find_all(\'tbody\')[0].find_all(\'td\')[4*k+2].get_text())
year.append(movie_year)
Box_office.append(soup.find_all(\'tbody\')[0].find_all(\'td\')[4*k+3].get_text())
# 将list转化为dataframe
name_pd = pd.DataFrame(name)
year_pd = pd.DataFrame(year)
Box_office_pd = pd.DataFrame(Box_office)
# 拼接
movie_Box_office_data = pd.concat([name_pd,year_pd,Box_office_pd],axis=1)
movie_Box_office_data.columns=[\'电影\',\'年份\',\'票房\']
movie_Box_office_data.head()
# 数据预处理
## 提取数字部分
f = lambda x: re.search(\'[0-9]*(\.[0-9]*)?\',x).group()
movie_Box_office_data[\'票房\'] = movie_Box_office_data[\'票房\'].apply(f)
## 缺失值填充为0
empty = movie_Box_office_data[\'票房\'] == \'\'
movie_Box_office_data.loc[empty,\'票房\'] = 0
## 转化成浮点数
movie_Box_office_data[\'票房\'] = movie_Box_office_data[\'票房\'].apply(lambda x: float(x))
# 输出
outputpath=\'c:/Users/wzj/Desktop/修身/与自己/数据分析/数据分析/爬虫/中国电影票房/movie_box_office.csv\' ## 路径需要自己改！
movie_Box_office_data.to_csv(outputpath,sep=\',\',index=False,header=True,encoding=\'utf_8_sig\')
引入库，导入数据
#matplotlib inline
import matplotlib.pyplot as plt
import seaborn
import pandas as pd
import numpy as np
from pylab import *
mpl.rcParams[\'font.sans-serif\'] = [\'SimHei\']
data = pd.read_csv(\'movie_box_office.csv\')
data.head()
len(data)
#十年top10
data.sort_values(by=\'票房\',ascending=False).head(10)
data.iloc[2111,2]=142241.3