python爬虫实战三：近十年中国电影票房数据爬取与分析

前言

这篇文章主要讲述的是近十年（2010-2019）中国电影票房数据的爬取与简单分析。
之所以想到做这个，是因为我最近在一本书上读到这么一段话

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。
但是，我在爬取的过程中，遇到了很多困难：

1. 数据不公开
   没有一个权威、公开、透明的电影数据网站。我搜索了很多网站，没有找到满意的。所谓的中国电影数据信息网，有的是政策法规，工作咨询，没有的是电影数据。
2. 设置爬虫障碍
   后来我找到一家数据齐全的网站：电影票房网，但是万万没有想到这个网站给爬虫设置了重重障碍：

   1. 查看多页数据需要用户登录
      

   2. 奇怪的验证码
      

   3. 这个数据居然是图片格式！
      

这让我这个爬虫小白望而却步，等以后学得更精了，再来爬这个。

后来我在外网上找到一个不错的网站：这是个网站
但是这个数据是非正式的，存在很多漏洞和问题，与真实数据有出入（下面会说明）。这里只是用来作爬取和数据分析用，不代表真实情况！

爬取

与前两个爬虫项目类似，直接上代码：

# 引入库
import re
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