首页 > 脚本专栏 > python > python代理IP爬取猫眼数据

python使用代理IP爬取猫眼电影专业评分数据

2024-03-15 09:37:13 作者：码银

在编写爬虫程序的过程中,IP封锁无疑是一个常见且棘手的问题,尽管网络上存在大量的免费IP代理网站,但其质量往往参差不齐,令人堪忧,本篇文章中介绍一下如何使用Python的Requests库和BeautifulSoup库来抓取猫眼电影网站上的专业评分数据,需要的朋友可以参考下

前言

我们为什么需要使用IP代理服务？

在编写爬虫程序的过程中，IP封锁无疑是一个常见且棘手的问题。尽管网络上存在大量的免费IP代理网站，但其质量往往参差不齐，令人堪忧。许多代理IP的延迟过高，严重影响了爬虫的工作效率；更糟糕的是，其中不乏大量已经失效的代理IP，使用这些IP不仅无法绕过封锁，反而可能使爬虫陷入更深的困境。

本篇文章中介绍一下如何使用Python的Requests库和BeautifulSoup库来抓取猫眼电影网站上的专业评分数据。

正文

1、导包

import requests
from bs4 import BeautifulSoup
import pandas as pd
import matplotlib.pyplot as plt

Requests库是一个简单易用的HTTP库，用于发送网络请求和获取响应数据。BeautifulSoup库则是一个用于解析HTML和XML文档的Python库，可以帮助我们从网页中提取所需的数据。

2、设置代理

设置代理和代理信息可以在这里获取：IP代理服务

# 设置代理信息
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "your_proxy_user"
proxyPass = "your_proxy_password"
 
# 设置代理
proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
    "host": proxyHost,
    "port": proxyPort,
    "user": proxyUser,
    "pass": proxyPass,
}
proxies = {
    "http": proxyMeta,
    "https": proxyMeta,
}

3、设置请求头

请求头的获取方式可以参考这篇文章：python使用请求头部headers处理403错误_python_脚本之家 (jb51.net)

当然不用自己的也行哈哈

 
# 设置请求头，模拟浏览器访问
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
}

4、发起请求

# 发起请求，获取网页内容
url = 'https://maoyan.com/films?showType=3'
response = requests.get(url, headers=headers, proxies=proxies)  # 添加proxies参数
soup = BeautifulSoup(response.text, 'html.parser')

5、解析网页内容

# 解析网页内容，提取专业评分数据
movie_names = []
professional_scores = []
 
for movie in soup.find_all('div', attrs={'class': 'movie-item film-channel'}):
    movie_name = movie.find('span', attrs={'class': 'name'}).text
    score = movie.find('span', attrs={'class': 'integer'}).text + movie.find('span', attrs={'class': 'fraction'}).text
    movie_names.append(movie_name)
    professional_scores.append(score)
 
# 将数据存储到DataFrame中
data = {'电影名称': movie_names, '专业评分': professional_scores}
df = pd.DataFrame(data)

6、数据可视化

# 数据可视化
plt.figure(figsize=(10, 6))
plt.bar(df['电影名称'], df['专业评分'], color='skyblue')
plt.title('猫眼电影专业评分排行榜')
plt.xlabel('电影名称')
plt.ylabel('专业评分')
plt.xticks(rotation=45)
plt.show()

上述代码片段展示了如何运用Python中的Requests库与BeautifulSoup库，精准地抓取猫眼电影网站上的专业评分数据。随后，通过Pandas库对数据进行整理与分析，再借助Matplotlib库进行可视化呈现。这一数据采集、处理与可视化的完整流程。

完整代码如下：

# 导入所需的库
import requests
from bs4 import BeautifulSoup
import pandas as pd
import matplotlib.pyplot as plt
 
# 设置代理信息
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "your_proxy_user"
proxyPass = "your_proxy_password"
 
# 设置代理
proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
    "host": proxyHost,
    "port": proxyPort,
    "user": proxyUser,
    "pass": proxyPass,
}
proxies = {
    "http": proxyMeta,
    "https": proxyMeta,
}
 
# 设置请求头，模拟浏览器访问
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
}
 
# 发起请求，获取网页内容
url = 'https://maoyan.com/films?showType=3'
response = requests.get(url, headers=headers, proxies=proxies)  # 添加proxies参数
soup = BeautifulSoup(response.text, 'html.parser')
 
# 解析网页内容，提取专业评分数据
movie_names = []
professional_scores = []
 
for movie in soup.find_all('div', attrs={'class': 'movie-item film-channel'}):
    movie_name = movie.find('span', attrs={'class': 'name'}).text
    score = movie.find('span', attrs={'class': 'integer'}).text + movie.find('span', attrs={'class': 'fraction'}).text
    movie_names.append(movie_name)
    professional_scores.append(score)
 
# 将数据存储到DataFrame中
data = {'电影名称': movie_names, '专业评分': professional_scores}
df = pd.DataFrame(data)
 
# 数据可视化
plt.figure(figsize=(10, 6))
plt.bar(df['电影名称'], df['专业评分'], color='skyblue')
plt.title('猫眼电影专业评分排行榜')
plt.xlabel('电影名称')
plt.ylabel('专业评分')
plt.xticks(rotation=45)
plt.show()

当然，如果你自己要使用的话得用自己专属的IP代理信息，而且具体情况得具体分析。如果你买了代理IP的话，不会的直接问客服，直接给你服务的服服帖帖的。

小结

本文详细阐述了如何利用Python爬虫技术从猫眼电影网站获取专业评分数据的过程，并通过代码实例展示了从设置代理、发起请求、解析网页内容到数据提取与可视化的完整流程。

首先，文章介绍了必要的库导入，包括requests用于发起网络请求，BeautifulSoup用于解析HTML页面，pandas用于数据处理，以及matplotlib用于数据可视化。接着，通过设置代理和请求头，模拟了浏览器访问，成功绕过了可能存在的反爬虫机制，获取了目标网页的内容。

在解析网页内容方面，文章通过BeautifulSoup的find_all方法定位到包含电影信息的div元素，并提取了电影名称和专业评分数据。这些数据被存储在一个列表中，为后续的数据处理和分析提供了基础。

为了更直观地展示数据，文章还利用pandas库将提取的数据转换成了DataFrame格式，并使用matplotlib库绘制了专业评分排行榜的条形图。这不仅有助于读者更好地理解数据分布情况，还能为后续的深入分析提供直观的参考。

以上就是python使用代理IP爬取猫眼电影专业评分数据的详细内容，更多关于python代理IP爬取猫眼数据的资料请关注脚本之家其它相关文章！