8.7万条豆瓣电影数据分析
赵宏田，Python社区专栏作者
博客：https://zhuanlan.zhihu.com/pythoncoder
这篇文章主要分两部分来聊，第一部分讲数据的抓取，第二部分对电影数据进行一些简单的分析。好，我们这就进入正题...
第一章：获取豆瓣电影信息
1.构造链接
我们在豆瓣电影分类标签（https://movie.douban.com/tag/）下，根据电影类型的不同来构造链接，获得爬取的初始链接入口。初始的入口链接构造好了，如何把全部电影信息的链接都获取到呢？这里一般有两种方式，对于动态加载页面内容的网页，我们需要根据URL的规律构造地址，当然这也是稍复杂的一种方式。另一种方式就是在页面中找到下一页地址，这次的爬取比较简单，直接在页面中获取下页地址即可。
这里我通过一个theme_page的类，获取所有主题下的全部链接地址：
# coding=utf-8
# usr/bin/eny python
import urllib.request
import requests
from lxml import etree
import time
'''
获取每个主题下有多少页内容 (没有输入，输出字典)
'''
class theme_page(object):
def __init__(self):
self.tags = [u"爱情", u"喜剧", u"动画", u'剧情', u'科幻', u'动作', u'经典', u'悬疑', u'青春', u'犯罪', u'惊悚', \
u"文艺", u"搞笑", u"纪录片", u'励志', u'恐怖', u'战争', u'短片', u'黑色幽默', u'魔幻', u'传记', \
u'情色', u"感人", u"暴力", u'动画短片', u'家庭', u'音乐', u'童年', u'浪漫', u'黑帮', u'女性', \
u'同志', u"史诗", u"童话", u'烂片', u'cult']
def get_total_num(self):
tags = self.tags
total_num = []
list = []
for tag in tags:
# print(tag) #主题名称
re_url = 'https://movie.douban.com/tag/{}?start=0&type=T'.format(urllib.request.quote(tag))
# print(re_url) # 主题链接
s = requests.get(re_url)
contents = s.content.decode('utf-8')
selector = etree.HTML(contents)
num = selector.xpath('//*[@id="content"]/div/div[1]/div[3]/a[10]/text()')
total_num.append(int(num[0]))
# print(num[0]) # 总页数
list.append({ # list :{'爱情': '393'}, {'喜剧': '392'}, {'动画': '274'},
'主题' : tag ,
'总页数' : num[0]
})
return list
2.信息抽取
这块的工作也比较常规，由于豆瓣电影信息的页面不是动态加载，给抓取数据的工作减小了很大难度，使用lxml工具先抓到列表页中的电影简介信息和链接，然后进入到每部电影的链接里抓取详情信息。
抓取列表页信息：
tag = urllib.request.quote(u'爱情')
url_1 = 'https://movie.douban.com/tag/{}?start=0&type=T'.format(tag)
class douban(object):
def __init__(self,*args,**kwargs):
self.conn = pymysql.connect(host='localhost', port=3306, user='root', password='', db='douban', charset='utf8')
self.cursor = self.conn.cursor()
self.sql_info = "INSERT IGNORE INTO `douban_mov` VALUES(%s,%s,%s,%s,%s,%s)"
def search(self,content):
'''
爬取页面内电影信息
'''
try:
selector = etree.HTML(content)
textslist = selector.xpath('//div[contains(@class,"grid-16-8 clearfix")]/div[1]/div[2]/table')
except Exception as e:
print(e)
try:
for text in textslist:
lists = []
title = text.xpath('tr/td[2]/div/a/text()')
score = text.xpath('tr/td[2]/div/div/span[2]/text()')
num = text.xpath('tr/td[2]/div/div/span[3]/text()')
link = text.xpath('tr/td/a/@href')
content = text.xpath('tr/td[2]/div/p/text()')
if title:
title = title[0].strip().replace('\n', "").replace(' ', "").replace('/', "") if title else ''
score = score[0] if score else ''
num = num[0].replace('(', "").replace(')', "") if num else ''
link = link[0] if link else ''
time = content[0].split(' / ')[0] if content else ''
actors = content[0].split(' / ')[1:6] if content else ''
lists.append({
'电影名' : title,
'评分' : score,
'评价人数' : num,
'详情链接' : link,
'上映时间' : time,
'主演' : actors
})
if lists:
lists = lists.pop()
else:
lists = u' '
print(lists)
try:
self.cursor.execute(self.sql_info,(str(lists['电影名']),str(lists['评分']),str(lists['评价人数']),str(lists['详情链接']),
str(lists['上映时间']),str(lists['主演'])))
self.conn.commit()
except Exception as e:
print(e)
except Exception as e:
pass
从列表页中找到每部电影链接，进去抓详情：
def get_detail(self,url):
'''
抓取每页详细信息
'''
try:
detail_contents = requests.get(url)
detail_contents =detail_contents.content.decode('utf-8')
selector = etree.HTML(detail_contents)
except Exception as e:
print(e)
detail = []
try:
detail_director = selector.xpath('//*[@id="info"]/span[1]/span[2]/a/text()') # 导演
detail_time = selector.xpath('//span[contains(@property,"v:runtime")]/text()') # 片长
detail_type_1 = selector.xpath('//*[@id="info"]/span[5]/text()') # 类型
detail_type_2 = selector.xpath('//*[@id="info"]/span[6]/text()')
detail_type_3 = selector.xpath('//*[@id="info"]/span[7]/text()')
except Exception as e:
print(e)
if detail_director:
detail_director = detail_director[0] if detail_director else ''
detail_time = detail_time[0] if detail_time else ''
detail_type_1 = detail_type_1[0] if detail_type_1 else ''
detail_type_2 = detail_type_2[0] if detail_type_2 else ''
detail_type_3 = detail_type_3[0] if detail_type_3 else ''
type = detail_type_1 + u' ' + detail_type_2 + u' ' + detail_type_3
detail.append({
'导演' : detail_director,
'片长' : detail_time,
'类型' : type,
})
else:
pass
return detail
3.让程序run起来
for page_info in page_infos: # 遍历所有主题
tags = page_info['主题']
page = page_info['总页数']
tag = urllib.request.quote(tags)
threads = []
for i in range(int(page)): # 每个主题下的所有页数
if i == 0:
url = 'https://movie.douban.com/tag/{0}?start={1}&type=T'.format(tag, 0)
else:
url = 'https://movie.douban.com/tag/{0}?start={1}&type=T'.format(tag, i * 20)
s = requests.get(url)
s = s.content.decode('utf-8')
# pool.apply_async(run.search(s))
# pool.close()
# pool.join()
lists = run.search(s)
time.sleep(5)
每天晚上睡觉前把电脑打开，单机跑了几个晚上，拉下来87000多条电影数据。好慢的说..
第二章：豆瓣电影的简要分析
前人们对豆瓣的分析已经很多了，这里的画风简单带过，主要是最后有一个最受欢迎与最受吐槽的电影榜单，大家可以乐呵一下...
1.电影类型分布
我们可以看出，各种类型的电影分布相对来说还是比较均匀，比例上的略微差异或许是电影题材本身数量上的差异 ( 比如说科幻的电影相对爱情片来说是少一些 ) 。so,豆瓣上的电影还是可以相对客观地反应出市场上电影总体类型的比例。
2.人们参与评分情况
我们可以看出对于大部分电影来说，参与评论的人数都在1000人以下，占比达到了58%。有10万人以上参与评论的电影只占了不到2%，看来长尾效应在许多地方都是适用的。对于一部电影来说，能有10万网友参与评论，说明也是一部在上映的时候有一定影响力的电影，好也好出了风格，烂也烂出了水平...这块我们放到下面再说
3.“重点”电影打分情况分析
各种关于豆瓣电影评分等级的文章已经很多了，我这里就不再引用。关于"重点"的定义，我这里将有10万人以上参与评论的电影，列为了"重点"。这些"重点"电影中，"超级好"(9分以上) 和 "相对烂"(5分以下)占的比例都很少，长尾效应又一次凸显....
4.榜单
说了那么多，我们关心的究竟是哪几部电影那么有特色啊
最受欢迎榜单 (评分>9，评论人数>50万)
评论人数能有50万以上的电影已经寥寥无几了，得分在9分以上更是难得，这些电影真是经典中的经典了。( 我国也有一部上榜
最不受欢迎榜单 (评分<5，评论人数>10万)
大家看看就好，我就不展开了...
免费爬虫视频获取： 关注公众号，“Python爱好者社区”，回复“爬虫”即可获取。
为大家提供与Python相关的最新技术和资讯。
长按指纹 > 识别图中二维码 > 添加关注