Python爬蟲：多種方法爬取貓眼top100電影

摘要： 作為小白，爬蟲可以說是入門python最快和最容易獲得成就感的途徑。因為初級爬蟲的套路相對固定，常見的方法只有幾種，比較好上手。最近，跟著崔慶才大佬的書：python3網絡爬蟲開發實戰 學習爬蟲。選取網頁結構較為簡單的貓眼top100電影為案例進行練習。 重點是用上述所說的4種方法提取出關鍵內容。一個問題採用不同的解決方法有助於拓展思維，通過不斷練習就能夠靈活運用。

https://www.makcyun.top/web_scraping_withpython1.html

本文知識點：
Requsts 請求庫的使用
beautiful+lxml兩大解析庫使用
正則表達式 、xpath、css選擇器的使用

1. 為什麼爬取該網頁？

• 比較懶，不想一頁頁地去翻100部電影的介紹，想在一個頁面內進行總體瀏覽（比如在excel表格中）；

想深入了解一些比較有意思的信息，比如：哪部電影的評分最高？哪位演員的作品數量最多？哪個國家/地區上榜的電影數量最多？哪一年上榜的電影作品最多等。這些信息在網頁上是不那麼容易能直接獲得的，所以需要爬蟲。

2. 爬蟲目標

• 從網頁中提取出top100電影的電影名稱、封面圖片、排名、評分、演員、上映國家/地區、評分等信息，並保存為csv文本文件。
• 根據爬取結果，進行簡單的可視化分析。

平臺：windows7 + SublimeText3

3. 爬取步驟

3.1. 網址URL分析

首先，打開貓眼Top100的url網址： http://maoyan.com/board/4?offset=0。頁面非常簡單，所包含的信息就是上述所說的爬蟲目標。下拉頁面到底部，點擊第2頁可以看到網址變為：http://maoyan.com/board/4?offset=10。因此，可以推斷出url的變化規律：offset表示偏移，10代表一個頁面的電影偏移數量，即：第一頁電影是從0-10，第二頁電影是從11-20。因此，獲取全部100部電影，只需要構造出10個url，然後依次獲取網頁內容，再用不同的方法提取出所需內容就可以了。
下面，用requests方法獲取第一個頁面。

3.2. Requests獲取首頁數據

先定義一個獲取單個頁面的函數：get_one_page()，傳入url參數。

1def get_one_page(url): 2    try: 3        headers = { 4            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'} 5        # 不加headers爬不了 6        response = requests.get(url, headers=headers) 7        if response.status_code == 200: 8            return response.text 9        else:10            return None11    except RequestException:12        return None13    # try-except語句捕獲異常

接下來在main()函數中設置url。

1def main():2    url = 'http://maoyan.com/board/4?offset=0'3    html = get_one_page(url)4    print(html)567if __name__ == '__main__':8    main()

運行上述程序後，首頁的原始碼就被爬取下來了。如下圖所示：

接下來就需要從整個網頁中提取出幾項我們需要的內容，用到的方法就是上述所說的四種方法，下面分別進行說明。

3.3. 4種內容解析提取方法

3.3.1. 正則表達式提取

第一種是利用正則表達式提取。
什麼是正則表達式？ 下面這串看起來亂七八糟的符號就是正則表達式的語法。

1'<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a.*?>(.*?)</a>.*?'

它是一種強大的字符串處理工具。之所以叫正則表達式，是因為它們可以識別正則字符串（regular string）。可以這麼定義：「 如果你給我的字符串符合規則，我就返回它」；「如果字符串不符合規則，我就忽略它」。通過requests抓取下來的網頁是一堆大量的字符串，用它處理後便可提取出我們想要的內容。

如果還不了解它，可以參考下面的教程：

http://www.runoob.com/regexp/regexp-syntax.html
https://www.w3cschool.cn/regexp/zoxa1pq7.html

下面，開始提取關鍵內容。右鍵網頁-檢查-Network選項，選中左邊第一個文件然後定位到電影信息的相應位置，如下圖：

可以看到每部電影的相關信息都在dd這個節點之中。所以就可以從該節點運用正則進行提取。
第1個要提取的內容是電影的排名。它位於class="board-index"的i節點內。不需要提取的內容用'.*?'替代，需要提取的數字排名用（）括起來，（）裡面的數字表示為（\d+）。正則表達式可以寫為：

1'<dd>.*?board-index.*?>(\d+)</i>'

接著，第2個需要提取的是封面圖片，圖片網址位於img節點的'data-src'屬性中，正則表達式可寫為：

1'data-src="(.*?)".*?'

第1和第2個正則之間的代碼是不需要的，用'.*?'替代，所以這兩部分合起來寫就是：

1'<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)"

同理，可以依次用正則寫下主演、上映時間和評分等內容,完整的正則表達式如下：

1'<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p

正則表達式寫好以後，可以定義一個頁面解析提取方法：parse_one_page（），用來提取內容：

1def parse_one_page(html): 2    pattern = re.compile( 3        '<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S) 4    # re.S表示匹配任意字符，如果不加，則無法匹配換行符 5    items = re.findall(pattern, html) 6    # print(items) 7    for item in items: 8        yield { 9            'index': item[0],10            'thumb': get_thumb(item[1]),  # 定義get_thumb()方法進一步處理網址11            'name': item[2],12            'star': item[3].strip()[3:],13            # 'time': item[4].strip()[5:],14            # 用兩個方法分別提取time裡的日期和地區15            'time': get_release_time(item[4].strip()[5:]),16            'area': get_release_area(item[4].strip()[5:]),17            'score': item[5].strip() + item[6].strip()18            # 評分score由整數+小數兩部分組成19        }

Tips:
re.S:匹配任意字符，如果不加，則無法匹配換行符；
yield:使用yield的好處是作為生成器，可以遍歷迭代，並且將數據整理形成字典，輸出結果美觀。具體用法可參考：https://blog.csdn.net/zhangpinghao/article/details/18716275；
.strip():用於去掉字符串中的空格。

上面程序為了便於提取內容，又定義了3個方法：get_thumb（）、get_release_time（）和 get_release_area（）：

1# 獲取封面大圖
2def get_thumb(url):
3 pattern = re.compile(r'(.*?)@.*?')
4 thumb = re.search(pattern, url)
5 return thumb.group(1)
6# http://p0.meituan.net/movie/5420be40e3b755ffe04779b9b199e935256906.jpg@160w_220h_1e_1c
7# 去掉@160w_220h_1e_1c就是大圖
8
9
10# 提取上映時間函數
11def get_release_time(data):
12 pattern = re.compile(r'(.*?)(\(|$)')
13 items = re.search(pattern, data)
14 if items is None:
15 return '未知'
16 return items.group(1) # 返回匹配到的第一個括號(.*?)中結果即時間
17
18
19# 提取國家/地區函數
20def get_release_area(data):
21 pattern = re.compile(r'.*\((.*)\)')
22 # $表示匹配一行字符串的結尾，這裡就是(.*?)；\(|$,表示匹配字符串含有(,或者只有(.*?)
23 items = re.search(pattern, data)
24 if items is None:
25 return '未知'
26 return items.group(1)

Tips:
'r'：正則前面加上'r' 是為了告訴編譯器這個string是個raw string，不要轉意'\'。當一個字符串使用了正則表達式後，最好在前面加上'r'；
'|' 正則'|'表示或'，'′：∗∗正則′∣′表示或′，′'表示匹配一行字符串的結尾；
.group(1)：意思是返回search匹配的第一個括號中的結果，即(.*?)，gropup()則返回所有結果2013-12-18(，group(1)返回'（'。

接下來，修改main()函數來輸出爬取的內容：

1def main(): 2    url = 'http://maoyan.com/board/4?offset=0' 3    html = get_one_page(url) 4 5    for item in parse_one_page(html):   6        print(item) 7 8 9if __name__ == '__main__':10    main()

Tips:
if _ name_ == '_ main_':當.py文件被直接運行時，if _ name_ == '_ main_'之下的代碼塊將被運行；當.py文件以模塊形式被導入時，if _ name_ == '_ main_'之下的代碼塊不被運行。
參考：https://blog.csdn.net/yjk13703623757/article/details/77918633。

運行程序，就可成功地提取出所需內容，結果如下：

1{'index': '1', 'thumb': 'http://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg', 'name': '霸王別姬', 'star': '張國榮,張豐毅,鞏俐', 'time': '1993-01-01', 'area': '中國香港', 'score': '9.6'}2{'index': '2', 'thumb': 'http://p0.meituan.net/movie/54617769d96807e4d81804284ffe2a27239007.jpg', 'name': '羅馬假日', 'star': '格利高裡·派克,奧黛麗·赫本,埃迪·艾伯特', 'time': '1953-09-02', 'area': '美國', 'score': '9.1'}3{'index': '3', 'thumb': 'http://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg', 'name': '肖申克的救贖', 'star': '蒂姆·羅賓斯,摩根·弗裡曼,鮑勃·岡頓', 'time': '1994-10-14', 'area': '美國', 'score': '9.5'}4{'index': '4', 'thumb': 'http://p0.meituan.net/movie/e55ec5d18ccc83ba7db68caae54f165f95924.jpg', 'name': '這個殺手不太冷', 'star': '讓·雷諾,加裡·奧德曼,娜塔莉·波特曼', 'time': '1994-09-14', 'area': '法國', 'score': '9.5'}5{'index': '5', 'thumb': 'http://p1.meituan.net/movie/f5a924f362f050881f2b8f82e852747c118515.jpg', 'name': '教父', 'star': '馬龍·白蘭度,阿爾·帕西諾,詹姆斯·肯恩', 'time': '1972-03-24', 'area': '美國', 'score': '9.3'}67...8}9[Finished in 1.9s]

以上是第1種提取方法，如果還不習慣正則表達式這種複雜的語法，可以試試下面的第2種方法。

3.3.2. lxml結合xpath提取

該方法需要用到lxml這款解析利器，同時搭配xpath語法，利用它的的路徑選擇表達式，來高效提取所需內容。lxml包為第三方包，需要自行安裝。如果對xpath的語法還不太熟悉，可參考下面的教程：
http://www.w3school.com.cn/xpath/xpath_syntax.asp

1</div> 2 3 4    <div class="container" id="app" class="page-board/index" > 5 6<div class="content"> 7    <div class="wrapper"> 8        <div class="main"> 9            <p class="update-time">2018-08-18<span class="has-fresh-text">已更新</span></p>10            <p class="board-content">榜單規則：將貓眼電影庫中的經典影片，按照評分和評分人數從高到低綜合排序取前100名，每天上午10點更新。相關數據來源於「貓眼電影庫」。</p>11            <dl class="board-wrapper">12                <dd>13                        <i class="board-index board-index-1">1</i>14    <a href="/films/1203" title="霸王別姬" class="image-link" data-act="boarditem-click" data-val="{movieId:1203}">15      <img src="//ms0.meituan.net/mywww/image/loading_2.e3d934bf.png" alt="" class="poster-default" />16      <img data-src="http://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c" alt="霸王別姬" class="board-img" />17    </a>18    <div class="board-item-main">19      <div class="board-item-content">20              <div class="movie-item-info">21        <p class="name"><a href="/films/1203" title="霸王別姬" data-act="boarditem-click" data-val="{movieId:1203}">霸王別姬</a></p>22        <p class="star">23                主演：張國榮,張豐毅,鞏俐24        </p>25<p class="releasetime">上映時間：1993-01-01(中國香港)</p>    </div>26    <div class="movie-item-number score-num">27<p class="score"><i class="integer">9.</i><i class="fraction">6</i></p>        28    </div>2930      </div>31    </div>3233                </dd>34                <dd>

根據截取的部分html網頁，先來提取第1個電影排名信息，有兩種方法。

第一種：直接複製。
右鍵-Copy-Copy Xpath，得到xpath路徑為：//*[@id="app"]/div/div/div[1]/dl/dd[1]/i,為了能夠提取到頁面所有的排名信息，需進一步修改為：//*[@id="app"]/div/div/div[1]/dl/dd/i/text()，如果想要再精簡一點，可以省去中間部分絕對路徑'/'然後用相對路徑'//'代替，最後進一步修改為：//*[@id="app"]//div//dd/i/text()。

第二種：觀察網頁結構自己寫。
首先注意到id = app的div節點，因為在整個網頁結構id是唯一的不會有第二個相同的，所有可以將該div節點作為xpath語法的起點，然後往下觀察分別是3級div節點，可以省略寫為：//div,再往下分別是是兩個並列的p節點、dl節點、dd節點和最後的i節點文本。中間可以隨意省略，只要保證該路徑能夠選擇到唯一的文本值'1'即可，例如省去p和dl節點，只保留後面的節點。這樣，完整路徑可以為：//*[@id="app"]//div//dd/i/text()，和上式一樣。

根據上述思路，可以寫下其他內容的xpath路徑。觀察到路徑的前一部分：//*[@id="app"]//div//dd都是一樣的，從後面才開始不同，因此為了能夠精簡代碼，將前部分路徑賦值為一個變量items，最終提取的代碼如下：

1# 2 用lxml結合xpath提取內容 2def parse_one_page2(html): 3    parse = etree.HTML(html) 4    items = parse.xpath('//*[@id="app"]//div//dd') 5    # 完整的是//*[@id="app"]/div/div/div[1]/dl/dd 6    # print(type(items)) 7    # *代表匹配所有節點，@表示屬性 8    # 第一個電影是dd[1],要提取頁面所有電影則去掉[1] 9    # xpath://*[@id="app"]/div/div/div[1]/dl/dd[1]    10    for item in items:11        yield{12            'index': item.xpath('./i/text()')[0],13            #./i/text()前面的點表示從items節點開始14            #/text()提取文本15            'thumb': get_thumb(str(item.xpath('./a/img[2]/@data-src')[0].strip())),16            # 'thumb': 要在network中定位，在elements裡會寫成@src而不是@data-src，從而會報list index out of range錯誤。17            'name': item.xpath('./a/@title')[0],18            'star': item.xpath('.//p[@class = "star"]/text()')[0].strip(),19            'time': get_release_time(item.xpath(20                './/p[@class = "releasetime"]/text()')[0].strip()[5:]),21            'area': get_release_area(item.xpath(22                './/p[@class = "releasetime"]/text()')[0].strip()[5:]),23            'score' : item.xpath('.//p[@class = "score"]/i[1]/text()')[0] + \24            item.xpath('.//p[@class = "score"]/i[2]/text()')[0]25        }

Tips:
[0]：xpath後面添加了[0]是因為返回的是只有1個字符串的list，添加[0]是將list提取為字符串，使其簡潔；
Network：要在最原始的Network選項卡中定位，而不是Elements中，不然提取不到相關內容；
class屬性：p[@class = "star"]/text()表示提取class屬性為"star"的p節點的文本值；
提取屬性值：img[2]/@data-src'：提取img節點的data-src屬性值，屬性值後面無需添加'/text()'

運行程序，就可成功地提取出所需內容，結果和第一種方法一樣。

以上是第2種提取方法，如果也不太習慣xpath語法，可以試試下面的第3種方法。

3.3.3. Beautiful Soup + css選擇器

Beautiful Soup 同lxml一樣，是一個非常強大的python解析庫，可以從HTML或XML文件中提取效率非常高。關於它的用法，可參考下面的教程：
https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

css選擇器選是一種模式，用於選擇需要添加樣式的元素，使用它的語法同樣能夠快速定位到所需節點，然後提取相應內容。使用方法可參考下面的教程：
http://www.w3school.com.cn/cssref/css_selectors.asp

下面就利用這種方法進行提取：

1# 3 用beautifulsoup + css選擇器提取 2def parse_one_page3(html): 3    soup = BeautifulSoup(html, 'lxml') 4    # print(content) 5    # print(type(content)) 6    # print('------------') 7    items = range(10) 8    for item in items: 9        yield{1011            'index': soup.select('dd i.board-index')[item].string,12            # iclass節點完整地為'board-index board-index-1',寫board-index即可13            'thumb': get_thumb(soup.select('a > img.board-img')[item]["data-src"]),14            # 表示a節點下面的class = board-img的img節點,注意瀏覽器eelement裡面是src節點，而network裡面是data-src節點，要用這個才能正確返回值1516            'name': soup.select('.name a')[item].string,17            'star': soup.select('.star')[item].string.strip()[3:],18            'time': get_release_time(soup.select('.releasetime')[item].string.strip()[5:]),19            'area': get_release_area(soup.select('.releasetime')[item].string.strip()[5:]),20            'score': soup.select('.integer')[item].string + soup.select('.fraction')[item].string2122        }

運行上述程序，結果同第1種方法一樣。

3.3.4. Beautiful Soup + find_all函數提取

Beautifulsoup除了和css選擇器搭配，還可以直接用它自帶的find_all函數進行提取。
find_all，顧名思義，就是查詢所有符合條件的元素，可以給它傳入一些屬性或文本來得到符合條件的元素，功能十分強大。
它的API如下：

1find_all(name , attrs , recursive , text , **kwargs)

常用的語法規則如下：
soup.find_all(name='ul')： 查找所有ul節點，ul節點內還可以嵌套；
li.string和li.get_text()：都是獲取li節點的文本，但推薦使用後者；
soup.find_all(attrs={'id': 'list-1'}))：傳入 attrs 參數，參數的類型是字典類型，表示查詢 id 為 list-1 的節點；
常用的屬性比如 id、class 等，可以省略attrs採用更簡潔的形式，例如：
soup.find_all(id='list-1')
soup.find_all(class_='element')

根據上述常用語法，可以提取網頁中所需內容：

1def parse_one_page4(html): 2    soup = BeautifulSoup(html,'lxml') 3    items = range(10) 4    for item in items: 5        yield{ 6 7            'index': soup.find_all(class_='board-index')[item].string, 8            'thumb': soup.find_all(class_ = 'board-img')[item].attrs['data-src'], 9            # 用.get('data-src')獲取圖片src連結，或者用attrs['data-src']10            'name': soup.find_all(name = 'p',attrs = {'class' : 'name'})[item].string,11            'star': soup.find_all(name = 'p',attrs = {'class':'star'})[item].string.strip()[3:],12            'time': get_release_time(soup.find_all(class_ ='releasetime')[item].string.strip()[5:]),13            'area': get_release_time(soup.find_all(class_ ='releasetime')[item].string.strip()[5:]),14            'score':soup.find_all(name = 'i',attrs = {'class':'integer'})[item].string.strip() + soup.find_all(name = 'i',attrs = {'class':'fraction'})[item].string.strip()1516        }

以上就是4種不同的內容提取方法。

3.4. 數據存儲

上述輸出的結果為字典格式，可利用csv包的DictWriter函數將字典格式數據存儲到csv文件中。

1# 數據存儲到csv2def write_to_file3(item):3    with open('貓眼top100.csv', 'a', encoding='utf_8_sig',newline='') as f:4        # 'a'為追加模式（添加）5        # utf_8_sig格式導出csv不亂碼 6        fieldnames = ['index', 'thumb', 'name', 'star', 'time', 'area', 'score']7        w = csv.DictWriter(f,fieldnames = fieldnames)8        # w.writeheader()9        w.writerow(item)

然後修改一下main()方法：

1def main(): 2    url = 'http://maoyan.com/board/4?offset=0' 3    html = get_one_page(url) 4 5    for item in parse_one_page(html):   6        # print(item) 7        write_to_csv(item) 8 910if __name__ == '__main__':11    main()

結果如下圖：

再將封面的圖片下載下來：

1def download_thumb(name, url,num): 2    try: 3        response = requests.get(url) 4        with open('封面圖/' + name + '.jpg', 'wb') as f: 5            f.write(response.content) 6            print('第%s部電影封面下載完畢' %num) 7            print('------') 8    except RequestException as e: 9        print(e)10        pass11     # 不能是w，否則會報錯，因為圖片是二進位數據所以要用wb

3.5. 分頁爬取

上面完成了一頁電影數據的提取，接下來還需提取剩下9頁共90部電影的數據。對網址進行遍歷，給網址傳入一個offset參數即可，修改如下：

1def main(offset): 2    url = 'http://maoyan.com/board/4?offset=' + str(offset) 3    html = get_one_page(url) 4 5    for item in parse_one_page(html):   6        # print(item) 7        write_to_csv(item) 8 910if __name__ == '__main__':11    for i in range(10):12        main(offset = i*10)

這樣就完成了所有電影的爬取。結果如下：

4. 可視化分析

俗話說「文不如表，表不如圖」。下面根據excel的數據結果，進行簡單的數據可視化分析，並用圖表呈現。

4.1. 電影評分最高top10

首先，想看一看評分最高的前10部電影是哪些？

程序如下：

1import pandas as pd
2import matplotlib.pyplot as plt
3import pylab as pl #用於修改x軸坐標
4
5plt.style.use('ggplot') #默認繪圖風格很難看，替換為好看的ggplot風格
6fig = plt.figure(figsize=(8,5)) #設置圖片大小
7colors1 = '#6D6D6D' #設置圖表title、text標註的顏色
8
9columns = ['index', 'thumb', 'name', 'star', 'time', 'area', 'score'] #設置表頭
10df = pd.read_csv('maoyan_top100.csv',encoding = "utf-8",header = None,names =columns,index_col = 'index') #打開表格
11# index_col = 'index' 將索引設為index
12
13df_score = df.sort_values('score',ascending = False) #按得分降序排列
14
15name1 = df_score.name[:10] #x軸坐標
16score1 = df_score.score[:10] #y軸坐標
17plt.bar(range(10),score1,tick_label = name1) #繪製條形圖，用range()能搞保持x軸正確順序
18plt.ylim ((9,9.8)) #設置縱坐標軸範圍
19plt.title('電影評分最高top10',color = colors1) #標題
20plt.xlabel('電影名稱') #x軸標題
21plt.ylabel('評分') #y軸標題
22
23# 為每個條形圖添加數值標籤
24for x,y in enumerate(list(score1)):
25 plt.text(x,y+0.01,'%s' %round(y,1),ha = 'center',color = colors1)
26
27pl.xticks(rotation=270) #x軸名稱太長發生重疊，旋轉為縱向顯示
28plt.tight_layout() #自動控制空白邊緣，以全部顯示x軸名稱
29# plt.savefig('電影評分最高top10.png') #保存圖片
30plt.show()

結果如下圖：

可以看到：排名最高的分別是兩部國產片"霸王別姬"和"大話西遊"，其他還包括"肖申克的救贖"、"教父"等。
嗯，還好基本上都看過。

4.2. 各國家的電影數量比較

然後，想看看100部電影都是來自哪些國家？
程序如下：

1area_count = df.groupby(by = 'area').area.count().sort_values(ascending = False) 2 3# 繪圖方法1 4area_count.plot.bar(color = '#4652B1')  #設置為藍紫色 5pl.xticks(rotation=0)   #x軸名稱太長重疊，旋轉為縱向 6 7 8# 繪圖方法2 9# plt.bar(range(11),area_count.values,tick_label = area_count.index)1011for x,y in enumerate(list(area_count.values)):12    plt.text(x,y+0.5,'%s' %round(y,1),ha = 'center',color = colors1)13plt.title('各國/地區電影數量排名',color = colors1)14plt.xlabel('國家/地區')15plt.ylabel('數量(部)')16plt.show()17# plt.savefig('各國(地區)電影數量排名.png')

結果如下圖：

可以看到，除去網站自身沒有顯示國家的電影以外，上榜電影被10個國家/地區"承包"了。其中，美國以30部電影的絕對優勢佔據第1名，其次是8部的日本，韓國第3，居然有7部上榜。

不得不說的是香港有5部，而內地一部都沒有。。。

4.3. 電影作品數量集中的年份

接下來站在漫長的百年電影史的時間角度上，分析一下哪些年份"貢獻了"最多的電影數量，也可以說是"電影大年"。

1# 從日期中提取年份 2df['year'] = df['time'].map(lambda x:x.split('/')[0]) 3# print(df.info()) 4# print(df.head()) 5 6# 統計各年上映的電影數量 7grouped_year = df.groupby('year') 8grouped_year_amount = grouped_year.year.count() 9top_year = grouped_year_amount.sort_values(ascending = False)101112# 繪圖13top_year.plot(kind = 'bar',color = 'orangered') #顏色設置為橙紅色14for x,y in enumerate(list(top_year.values)):15    plt.text(x,y+0.1,'%s' %round(y,1),ha = 'center',color = colors1)16plt.title('電影數量年份排名',color = colors1)17plt.xlabel('年份(年)')18plt.ylabel('數量(部)')1920plt.tight_layout()21# plt.savefig('電影數量年份排名.png')2223plt.show()

結果如下圖：

可以看到，100部電影來自37個年份。其中2011年上榜電影數量最多，達到9部；其次是前一年的7部。回憶一下，那會兒正是上大學的頭兩年，可怎麼感覺除了阿凡達之外，沒有什麼其他有印象的電影了。。。

另外，網上傳的號稱"電影史奇蹟年"的1994年僅排名第6。這讓我進一步對貓眼榜單的權威性產生了質疑。
再往後看，發現遙遠的1939和1940年也有電影上榜。那會兒應該還是黑白電影時代吧，看來電影的口碑好壞跟外在的技術沒有絕對的關係，質量才是王道。

4.3.1. 擁有電影作品數量最多的演員

最後，看看前100部電影中哪些演員的作品數量最多。
程序如下：

1#表中的演員位於同一列，用逗號分割符隔開。需進行分割然後全部提取到list中 2starlist = [] 3star_total = df.star 4for i in df.star.str.replace(' ','').str.split(','): 5    starlist.extend(i)   6# print(starlist) 7# print(len(starlist)) 8 9# set去除重複的演員名10starall = set(starlist)11# print(starall)12# print(len(starall))1314starall2 = {}15for i in starall:16    if starlist.count(i)>1:17        # 篩選出電影數量超過1部的演員18        starall2[i] = starlist.count(i)1920starall2 = sorted(starall2.items(),key = lambda starlist:starlist[1] ,reverse = True)2122starall2 = dict(starall2[:10])  #將元組轉為字典格式2324# 繪圖25x_star = list(starall2.keys())      #x軸坐標26y_star = list(starall2.values())    #y軸坐標2728plt.bar(range(10),y_star,tick_label = x_star)29pl.xticks(rotation = 270)30for x,y in enumerate(y_star):31    plt.text(x,y+0.1,'%s' %round(y,1),ha = 'center',color = colors1)3233plt.title('演員電影作品數量排名',color = colors1)34plt.xlabel('演員')35plt.ylabel('數量(部)')36plt.tight_layout()37plt.show()    38# plt.savefig('演員電影作品數量排名.png')

結果如下圖：

張國榮排在了第一位，這是之前沒有猜到的。其次是梁朝偉和星爺，再之後是布拉德·皮特。驚奇地發現，前十名影星中，香港影星居然佔了6位。有點嚴重懷疑這是不是香港版的top100電影。。。

對張國榮以7部影片的巨大優勢雄霸榜單第一位感到好奇，想看看是哪7部電影。

1df['star1'] = df['star'].map(lambda x:x.split(',')[0])  #提取1號演員2df['star2'] = df['star'].map(lambda x:x.split(',')[1])  #提取2號演員3star_most = df[(df.star1 == '張國榮') | (df.star2 == '張國榮')][['star','name']].reset_index('index')4# |表示兩個條件或查詢，之後重置索引5print(star_most)

可以看到包括排名第1的"霸王別姬"、第17名的"春光乍洩"、第27名的"射鵰英雄傳之東成西就"等。
突然發現，好像只看過"英雄本色"。。。有時間，去看看他其他的作品。

1     index        star              name20      1   張國榮,張豐毅,鞏俐        霸王別姬31     17   張國榮,梁朝偉,張震        春光乍洩42     27  張國榮,梁朝偉,張學友  射鵰英雄傳之東成西就53     37  張國榮,梁朝偉,劉嘉玲        東邪西毒64     70   張國榮,王祖賢,午馬        倩女幽魂75     99  張國榮,張曼玉,劉德華        阿飛正傳86    100   狄龍,張國榮,周潤發        英雄本色

由於數據量有限，故僅作了上述簡要的分析。