爬取豆瓣电影top250提取电影分类进行数据分析

爬取豆瓣电影top250,然后提取电影分类,并进行数据分析

标签(空格分隔):python爬虫

一、爬取网页,获取需要内容

我们今天要爬取的是豆瓣电影top250
页面如下所示:

爬取豆瓣电影top250提取电影分类进行数据分析

我们需要的是里面的电影分类,通过查看源代码观察可以分析出我们需要的东西。直接进入主题吧!

爬取豆瓣电影top250提取电影分类进行数据分析

知道我们需要的内容在哪里了,接下来就使用我们python强大的request库先获取网页内容下来吧!获取内容后,再使用一个好用的lxml库来分析网页内容,然后获取我们的内容就可以做下一步操作了。
先贴出使用request库和lxml分析的代码

def get_page(i):
        url = 'https://movie.douban.com/top250?start={}&filter='.format(i)

        html = requests.get(url).content.decode('utf-8')    # 使用request库获取网页内容

        selector = etree.HTML(html)    # 使用lxml库提取内容
        '''
            通过观察页面就能发现内容在<div>下的一部分
        '''
        content = selector.xpath('//div[@class="info"]/div[@class="bd"]/p/text()')
        print(content)

        for i in content[1::2]:
            print(str(i).strip().replace('\n\r', ''))
            # print(str(i).split('/'))
            i = str(i).split('/')  
            i = i[len(i) - 1]
            key = i.strip().replace('\n', '').split(' ') # 这里的strip和replace的使用目的是去除空格和空行之类
            print(key)

通过获取下来的内容我们发现一部电影的各项内容都是用’/’分隔着,我们只需要提取电影分类中的东西,所以我们需要使用

i = str(i).split('/')

来把内容分隔成几项内容,因为电影分类排在最后,所以我们通过

i = i[len(i) - 1]

来获取分隔后的最后一项也就是我们需要的电影分类,还有最后一步我们需要完成的,因为一部电影里面一般都有多个电影分类的标签,所以我们还要继续分隔获取到的电影分类,并且观察可以知道电影分类之间只是用一个空格隔开,所以我们使用下面一行代码就可以分离出各个分类:

key = i.strip().replace('\n', '').split(' ')

二、接下来就是保存到mysql数据库

把电影分类保存在mysql数据库以便下面进行数据分析,这里我们使用到pymysql来连接mysql数据库,首先我们需要在mysql数据库建好表:

爬取豆瓣电影top250提取电影分类进行数据分析

然后我们通过pymysql把数据保存到数据库中,代码如下:
首先要连接数据库:

# 连接mysql数据库
conn = pymysql.connect(host = 'localhost', user = 'root', passwd = '2014081029', db = 'mysql', charset = 'utf8')  # user为数据库的名字,passwd为数据库的密码,一般把要把字符集定义为utf8,不然存入数据库容易遇到编码问题
cur = conn.cursor()  # 获取操作游标
cur.execute('use douban')  # 使用douban这个数据库

在保存到数据库之前,我们还有一个需要做得,那就是把250部电影的分类汇总数量,所以我们定义了一个字典来统计电影分类的个数,这里的代码是get_page函数的一部分,代码如下:

    for i in content[1::2]:
        print(str(i).strip().replace('\n\r', ''))
        # print(str(i).split('/'))
        i = str(i).split('/')
        i = i[len(i) - 1]
        key = i.strip().replace('\n', '').split(' ')
        print(key)
        for i in key:
            if i not in douban.keys():
                douban[i] = 1
            else:
                douban[i] += 1

然后定义一个保存函数,执行插入操作,如果出现插入失败,就执行回滚操作,还有记得在操作完成之后,使用conn.close()和cur.close()来关闭数据库连接,代码如下:

def save_mysql(douban):
    print(douban)  # douban在主函数中定义的字典
    for key in douban:
        print(key)
        print(douban[key])
        if key != '':
            try:
                sql = 'insert douban(类别, 数量) value(' + "\'" + key + "\'," + "\'" + str(douban[key]) + "\'" + ');'
                cur.execute(sql)
                conn.commit()
            except:
                print('插入失败')
                conn.rollback()

三、使用matplotlib进行数据可视化操作

首先,从数据库中把电影分类和每个分类的数量分别存入一个列表中,然后使用matplotlib进行可视化操作,具体如下:

def pylot_show():
    sql = 'select * from douban;'  
    cur.execute(sql)
    rows = cur.fetchall()   # 把表中所有字段读取出来
    count = []   # 每个分类的数量
    category = []  # 分类

    for row in rows:
        count.append(int(row[2]))   
        category.append(row[1])

    y_pos = np.arange(len(category))    # 定义y轴坐标数
    plt.barh(y_pos, count, align='center', alpha=0.4)  # alpha图表的填充不透明度(0~1)之间
    plt.yticks(y_pos, category)  # 在y轴上做分类名的标记

    for count, y_pos in zip(count, y_pos):
        # 分类个数在图中显示的位置,就是那些数字在柱状图尾部显示的数字
        plt.text(count, y_pos, count,  horizontalalignment='center', verticalalignment='center', weight='bold')  
    plt.ylim(+28.0, -1.0) # 可视化范围,相当于规定y轴范围
    plt.title(u'豆瓣电影250')   # 图表的标题
    plt.ylabel(u'电影分类')     # 图表y轴的标记
    plt.subplots_adjust(bottom = 0.15) 
    plt.xlabel(u'分类出现次数')  # 图表x轴的标记
    plt.savefig('douban.png')   # 保存图片

下面说明一下matplotlib的一些简单使用,首先我们要导入matplotlib和numpy的包

import numpy as np
import matplotlib.pyplot as plt

这次可视化是柱状图,这里给出brah()函数的定义:

barh()
主要功能:做一个横向条形图,横向条的矩形大小为: left, left + width, bottom, bottom + height
参数:barh ( bottom , width , height =0.8, left =0, kwargs ) 返回类型:一个 class 类别, matplotlib.patches.Rectangle实例
参数说明:

  • bottom: Bars 的垂直位置的底部边缘
  • width: Bars 的长度
    可选参数:
  • height: bars 的高度
  • left: bars 左边缘 x 轴坐标值
  • color: bars 颜色
  • edgecolor: bars 边缘颜色
  • linewidth: bar 边缘宽度;None 表示默认宽度;0 表示不 i 绘制边缘
  • xerr: 若不为 None,将在 bar 图上生成 errobars
  • yerr: 若不为 None,将在 bar 图上生成 errobars
  • ecolor: 指定 errorbar 颜色
  • capsize: 指定 errorbar 的顶部(cap)长度
  • align: ‘edge’ (默认) | ‘center’:‘edge’以底部为准对齐;‘center’以 y 轴作为中心
  • log: [False|True] False (默认),若为 True,使用 log 坐标

然后就可以显示出图片来了

爬取豆瓣电影top250提取电影分类进行数据分析
来源:简书 ?作者:guoweikuang
原文链接:http://www.jianshu.com/p/ef242e025cdf

本文出处:,链接:,采用「CC BY-SA 4.0 CN」协议转载学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请联系「我们」处理。

发表评论

登录后才能评论

联系我们

如有建议:>>给我留言

大数据交流群

统  计  学 数据分析网-统计学

商业智能 数据分析网-商业智能

数据挖掘 数据分析-数据挖掘

数据产品 数据分析网-数据产品

QR code