使用python爬取电影上映前后两个月的百度指数

使用python爬取电影上映前后两个月的百度指数

https://blog.csdn.net/hcbbbb/article/details/82380418

本文参考了Github上的TerenceLiu2/BaiduIndexCrawl项目，进行适当的改进，使之适用于个人的需要。

本文主要是从excel表格中读取电影的名称以及上映日期，并在百度指数上进行搜索，然后选定指定的上映前后两个月的日期，并将这60天每一天的百度指数数值通过截图的方式截取下来，最后将图片进行识别即可。
本次主要只将图片截取保存下来，识别的话可以使用免费开源的pytesseract，识别度不会特别的高，当然也可以使用网上很多的图像识别系统，个人推荐可以使用百度的AI开放平台 (笑 ，数据量不是很大的话，注册认证之后有一定的免费额度可以使用。

目录

• 使用python爬取电影上映前后两个月的百度指数
• 目录
• 前期准备
  • python
  • selenium
• 进入正文
  • 初始数据
  • 读取数据
  • 对读取的数据进行处理
  • 计算需要选择的日期——电影上映前后一个月
  • 利用selenium进行百度指数的登录
  • 进行电影上映前后两个月的百度指数截取
    • 输入数据
    • 对抗反爬机制
    • 自动移动鼠标进行每一日百度指数的选取
    • 对每一天的百度指数进行图像的截取
    • 进行viewbox的监测
  • 得到的文件
• 写在最后

前期准备

注意：本文使用的是python2.7编写的编码。

python

本文安装的为anaconda2.7,anaconda里面有python以及python很多基础的包以及与数据科学相关的包，推荐可以直接安装使用。安装的其他问题请自行百度。

selenium

安装可以查看这篇博客：Python爬虫环境常用库安装（看第四点哦）
基本用法可以查看这篇博客：selenium用法详解

进入正文

初始数据

使用到的数据截图如下,数据来源于豆瓣电影与猫眼网，列对应属性为豆瓣ID，电影名称，票房，想看人数，时长，上映日期。

读取数据

利用xlrd读取excel中的数据。

XmlPath = "data/2016.xls"           # 数据路径
rbook = xlrd.open_workbook(XmlPath) # 读取数据
rsheet = rbook.sheet_by_index(0)
id = rsheet.col_values(0)           # 第一列数据，id
keywords = rsheet.col_values(1)     # 第二列数据，电影名称
releases = rsheet.col_values(5)     # 第六列数据，上映日期
ticot = 0                           # 从第0行开始读取

对读取的数据进行处理

将第 i 行的数据进行处理，返回第i行数据的电影名称，上映年，月，日。

def load_req(i, keywords, releases):if keywords != "":name = keywords[i]day = releases[i].split('-')[2]month = releases[i].split('-')[1]year = releases[i].split('-')[0]print "正在获取", name.encode("utf-8"), "的百度指数"return [name, year, month, day]else:return False

计算需要选择的日期——电影上映前后一个月

#月份-日字典
Monthdict = {'01': 31, '02': 28, '03': 31, '04': 30, '05': 31, '06': 30, '07': 31, '08': 31, '09'

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！