案例 23｜电影票房与评分采集

一、案例背景与采集目标

票房榜是天然的「时间序列」素材：同一部电影，今天累计多少、昨天累计多少，一减就是当天的增量；连续采上一周，就能画出一条漂亮的票房曲线。它也是少见的、每天都会变、而且变化有规律的公开榜单。

这一篇的示范站点是 猫眼专业版 · 票房榜，网址 https://piaofang.maoyan.com/dashboard。它的日票房榜给出每部影片的当日票房、累计票房、排片占比与上座率，字段排得整整齐齐；影片评分可对照 豆瓣电影（https://movie.douban.com/）的条目页。这一篇还要顺带练一样新本事——图片采集：从https://movie.douban.com/top250把 250 部经典影片的排名、评分连同海报原图一起采下来，交付的不只是表格，还有一个图片文件夹。

1.1 这个案例要拿到什么

• 某日票房榜的排名、影片名、上映日期、累计票房、当日票房、排片占比、上座率；
• 每部影片的评分与评分人数（来自评分平台）；
• 从豆瓣电影 Top250 取回排名、片名、评分、评价人数、年份与类型，并把海报原图逐张下载成图片文件夹；
• 把票价与票房统一单位，另存一列保留页面原文写法；
• 把每日快照按采集日期存档，形成一份多天的榜单；
• 用「今天累计 − 昨天累计」还原单日票房增量，再与页面当日票房对照。

1.2 这个案例的难点在哪

1.3 采集路线与边界

票房与评分属于面向公众公开展示的榜单信息，可作示范。但票房数据本身有权利人——它由专业数据平台统计发布：采集结果用于课堂分析没问题，把它整理成「独家票房数据」对外发布、或用于商业用途，就越界了。

目标站点与交付产物

下表是本篇用到的真实站点。绿色是课堂可稳定复现的示范站点；橙色是延伸站点，多数有登录墙或风控，课堂上只讲结构、原理与合规边界，不教绕过。

二、数据源与字段设计

目标站点：猫眼专业版 · 票房榜，网址 https://piaofang.maoyan.com/dashboard。

2.1 完整字段表（12 个字段）

下表就是本案例的验收标准。其中「累计票房原文」与「采集日期」是这一案的两张「保险」：前者防止单位换算出错，后者让多天快照能拼成时间序列。

2.2 单位与口径（三句话记牢）

• 票房统一换算成万元。「12.3 亿」= 123000 万；「4567 万」= 4567；「万」与「亿」混在一张表里没法比大小，所以「12.35 亿」要写成「123500」。
• 「累计票房」是存量，「当日票房」是流量。前者像银行余额，后者像当天流水；两者不能相加，也不能混用。
• 采集日期是快照的身份证。没有这一列，多天的榜单叠在一起就分不清哪行是哪天的。

三、零代码操作步骤

下面是在 WorkBuddy 里完成本案例的完整流程。本案例需要连续几天各采一次，才能做出时间序列。

1. 新建对话，粘贴提示词，网址用 https://piaofang.maoyan.com/dashboard。
2. 先采今天的快照。确认排名、累计票房、当日票房、排片占比、上座率都取到了。
3. 检查单位。让 AI 说明每列原始单位，并统一换算成万元。看有没有把「亿」当成「万」。
4. 存档第一份快照。导出为带日期后缀的文件，比如 boxoffice_20261008.xlsx。
5. 第二天再采一次，文件名改成 boxoffice_20261009.xlsx，其余规则不变。
6. 顺带练图片采集。打开豆瓣电影 Top250 https://movie.douban.com/top250，让它把 250 部影片的海报原图下载到 posters/ 文件夹，文件名用「排名_片名.jpg」，同时记一张「排名、片名、评分、评价人数、年份、海报文件名」的清单表——数据表和图片靠文件名对得上。
7. 合并多天快照。说「把两天的快照按「影片名 + 采集日期」合并成一张长表」。
8. 还原单日增量。说「对每部影片按采集日期排序，用今日累计减去昨日累计，得到计算单日票房」。
9. 核对并保存。对比「计算单日票房」与「当日票房」，差异大的找原因后归档。

四、提示词模板与追问技巧

下面这段可以直接复制。注意：网址写全、把单位换算与快照日期交代死、只采榜首若干名。

请帮我采集猫眼专业版的电影票房榜，做一张带采集日期的榜单快照表。

【目标站点】https://piaofang.maoyan.com/dashboard
  这是猫眼专业版的票房榜页面，按日更新。请采「日票房榜」这个口径，
  不要采实时榜，也不要采周榜，并在结果里注明采的是哪一种榜单。

【采集范围】榜单前 10 名，只采一次快照。

【需要字段】按这个顺序：
  1. 采集日期（今天，格式 2026-10-08）
  2. 排名
  3. 影片名
  4. 上映日期
  5. 累计票房（统一换算成万元，只留数字）
  6. 累计票房原文（照录页面写法，如 12.35 亿）
  7. 当日票房（统一换算成万元，只留数字）
  8. 排片占比（%，只留数字）
  9. 上座率（%，只留数字）
 10. 评分（注明是 10 分制还是 5 分制）
 11. 评分人数
 12. 档期（按上映日期归入 春节档 / 暑期档 / 国庆档 / 其他）

【口径要求】
  - 票房单位统一成万元：「12.35 亿」换算成 123500；「4567 万」换算成 4567
  - 保留「累计票房原文」列，便于我核对换算
  - 「累计票房」和「当日票房」不要互换
  - 影视票房属动态数据，只采「截至采集时刻」的值，不要追求实时

【执行要求】
  - 只采前 10 名，不要采全榜
  - 固定每天同一时间采一次，不高频轮询；遇验证码立即停止
  - 导出为 boxoffice_20261008.xlsx（日期用采集当天）

4.1 三条常用追问指令

追问一（单位核对）：
请把每一部的「累计票房原文」和换算后的万元值并排列出来，
让我核对有没有把「亿」当成「万」的情况。

追问二（合并多天快照）：
我这两天各采了一份快照，请按「影片名 + 采集日期」合并成一张长表，
同一天同一部影片只保留一条。

追问三（还原单日增量）：
请对每部影片按采集日期排序，新增一列
「计算单日票房」= 今日累计 − 昨日累计；
再和页面的「当日票房」对比，差异超过 10% 的单独列出。

五、结果核对、清洗与保存

采集到的快照结果样例（节选，示例数据：影片名与票房为虚构示意，非真实榜单；实际采集以当日榜单为准）：

5.1 四步清洗，一句话一条

① 单位复核：
   重新核对「累计票房」是否统一为万元；与「累计票房原文」逐条比对。

② 排序与主键：
   按「影片名 + 采集日期」排序，同一天同一部影片只保留一条。

③ 还原单日增量：
   新增一列「计算单日票房」= 当日累计 − 上一采集日累计；
   首日没有前一天的，该列留空并备注。

④ 差异核对：
   把「计算单日票房」与「当日票房」相比差异超过 10% 的记录单独输出，
   并列出可能原因（口径不同 / 更新时间不同 / 含预售）。

5.2 保存与归档

boxoffice_20261008.xlsx        当天快照（原始保留）
boxoffice_20261009.xlsx        次日快照（原始保留）
boxoffice_merged_clean.xlsx    合并长表（含计算单日票房列）
boxoffice_trend.xlsx           趋势表：影片 × 采集日期的票房矩阵
boxoffice_log.txt              日志：采集时间点、榜单口径、条数

5.3 延伸采集（选做）：网易云音乐 · 热歌榜——把「音频内容」采成表、图、文

音频类内容也是常见的采集对象。示范站点是 网易云音乐 · 热歌榜，榜单页 https://music.163.com/discover/toplist?id=3778678，它背后有一个公开的榜单接口 https://music.163.com/api/playlist/detail?id=3778678，浏览器直接打开就能看到结构化 JSON（含 200 首歌的完整清单）。合规口径先说清楚：只采公开的榜单元数据、专辑封面图与歌词文本三样；歌曲音频文件本身受版权保护，一律不下载、不转存——这条红线比票房案例更硬。

歌词接口 https://music.163.com/api/song/lyric?id=186016&lv=1 返回带时间戳的 LRC 文本。这正是练正则提取的好材料——LRC 的时间戳格式非常规整，用一条正则就能把「时间 → 歌词行」拆开：

LRC 原文（节选，歌曲 id 186016）：
[00:00.000] 作词 : 周杰伦
[00:01.000] 作曲 : 周杰伦
…
[00:28.950]故事的小黄花
[00:32.380]从出生那年就飘着

正则：\[([0-9]{2}):([0-9]{2})\.([0-9]{3})\]
拆出：分 00  秒 28  毫秒 950  →  00:28 后面跟歌词内容

按这个思路把每首歌的歌词存成 lyrics/排名_歌名.lrc，
再让 WorkBuddy 用正则统计「哪句歌词被重复唱得最多」。

六、常见问题与合规红线

6.1 这个站点上最容易踩的五个坑

6.2 三条合规红线（每个案例都要过一遍）

1. 只采公开榜单。票房榜与评分是公开信息，可采；但不要试图获取需要付费或登录的专业数据服务内容。
2. 控制频率。票房榜每天更新一两次，每天固定时间采一次即可，不要高频轮询。
3. 注明来源。分析结论对外展示时，必须写清数据来源与采集时间，不冒充权威发布。

七、随堂自测（10 题）

点击选项即可判分，答错的题会立刻显示解析。