python爬虫爬取电影数据并做可视化

思路：

1、发送请求，解析html里面的数据

2、保存到csv文件

3、数据处理

4、数据可视化

需要用到的库：

import requests,csv #请求库和保存库 import pandas as pd #读取csv文件以及操作数据 from lxml import etree #解析html库 from pyecharts.charts import * #可视化库

注意：后续用到分词库jieba以及词频统计库nltk 

环境：

python  3.10.5版本

编辑器：vscode -jupyter

使用ipynb文件的扩展名 vscode会提示安装jupyter插件

一、发送请求、获取html #请求的网址 url=' ssr1.scrape.center/page/1' #请求头 headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36" } #发起请求，获取文本数据 reponse=requests.get(url,url,headers=headers) print(reponse) 二、使用xpath提取html里面的数据并存到csv #创建csv文件 with open('电影数据.csv',mode='w',encoding='utf-8',newline='') as f: #创建csv对象 csv_save=csv.writer(f) #创建标题 csv_save.writerow(['电影名','电影上映地','电影时长','上映时间','电影评分']) for page in range(1,11): #传播关键1到10页的页数 #请求的网址 url=' ssr1.scrape.center/page/{}'.format(page) print('当前请求页数：',page) #请求头 headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36" } response=requests.get(url,url,headers=headers,verify=False) print(response) html_data=etree.HTML(response.text) #获取电影名 title=html_data.xpath('//div[@class="p-h el-col el-col-24 el-col-xs-9 el-col-sm-13 el-col-md-16"]/a/h2/text()') #获取电影制作地 gbs=html_data.xpath('//div[@class="p-h el-col el-col-24 el-col-xs-9 el-col-sm-13 el-col-md-16"]/div[2]/span[1]/text()') #获取电影时长 time=html_data.xpath('//div[@class="m-v-sm info"]/span[3]/text()') #获取电影上映时间 move_time=html_data.xpath('//div[@class="p-h el-col el-col-24 el-col-xs-9 el-col-sm-13 el-col-md-16"]/div[3]/span/text()') #电影评分 numder=html_data.xpath('//p[@class="score m-t-md m-b-n-sm"]/text()') for name,move_gbs,times,move_times,numders in zip(title,gbs,time,move_time,numder): print('电影名：',name,' 电影上映地址：',move_gbs,' 电影时长：',times,' 电影上映时间：',move_times,' 电影评分:',numders) #name,move_gbs,times,move_times,numders #写入csv文件 csv_save.writerow([name,move_gbs,times,move_times,numders])

效果：

三、使用pandas打开爬取的csv文件 data=pd.read_csv('电影数据.csv',encoding='utf-8') print(data) 四、对电影名进行分词以及词频统计

注意：使用jieba分词，nltk分词  

这里的停用此表可以自己创建一个  里面放无意义的字，比如：的、不是、不然这些

每个字独占一行即可

import jieba title_list=[] for name in data['电影名']: #进行精准分词 lcut=jieba.lcut(name,cut_all=False) # print(lcut) for i in lcut : # print(i) #去除无意义的词 #打开停用词表文件 file_path=open('停用词表.txt',encoding='utf-8') #将读取的数据赋值给stop_words变量 stop_words=file_path.read() #遍历后的值 如果没有在停用词表里面 则添加到net_data列表里面 if i not in stop_words: title_list.append(i) # print(title_list) #计算词语出现的频率 from nltk import FreqDist #该模块提供了计算频率分布的功能 #FreqDist对象将计算net_data中每个单词的出现频率，,并将结果存储在freq_list中 freq_list=FreqDist(title_list) print(freq_list) #结果：FreqDist 有1321个样本和5767个结果 #该方法返回一个包含最常出现单词及其出现频率的列表。将该列表赋值给most_common_words变量。 most_common_words=freq_list.most_common() print(most_common_words) #结果：('The这个词',出现185次)

效果：

五、词云可视化 # 创建一个 WordCloud类（词云） 实例 word_cloud = WordCloud() # 添加数据和词云大小范围 add('标题', 数据, word_size_range=将出现频率最高的单词添加到词云图中，并设置单词的大小范围为 20 到 100。) word_cloud.add('词云图', most_common_words, word_size_range=[20, 100]) # 设置全局选项，包括标题 word_cloud.set_global_opts(title_opts=opts.TitleOpts(title='电影数据词云图')) # 在 Jupyter Notebook 中渲染词云图 word_cloud.render_notebook() #也可以生成html文件观看 word_cloud.render('result.html')

运行效果：

  六、对电影时长进行统计并做柱形图可视化 #电影时长 去除分钟和,号这个 转为int 然后再转为列表 只提取20条数据，总共100条 move_time=data['电影时长'].apply(lambda x: x.replace('分钟', '').replace(',', '')).astype('int').tolist()[0:20] # print(move_time) #电影名 只提取20条数据 move_name=data['电影名'].tolist()[0:20] # print(move_name) #创建Bar实例 Bar_obj=Bar() #添加x轴数据标题 Bar_obj.add_xaxis(move_name) #添加y轴数据 Bar_obj.add_yaxis('电影时长数据（单位：分钟）',move_time) #设置标题 Bar_obj.set_global_opts(title_opts={'text': '电影时长数据柱形图可视化'}) # 显示图表 Bar_obj.render_notebook()

效果：

七、电影时长折线图可视化 #去除分钟和,号这个 转为int 然后再转为列表 只提取25条数据 move_time=data['电影时长'].apply(lambda x: x.replace('分钟', '').replace(',', '')).astype('int').tolist()[0:25] # print(move_time) #电影名 只提取25条数据 move_name=data['电影名'].tolist()[0:25] # print(move_name) #创建Bar实例 Bar_obj=Line() #添加x轴数据标题 Bar_obj.add_xaxis(move_name) #添加y轴数据 Bar_obj.add_yaxis('电影时长数据（单位：分钟）',move_time) #设置标题 Bar_obj.set_global_opts(title_opts={'text': '电影时长数据折线图可视化'}) # 显示图表 Bar_obj.render_notebook()

效果：

  八、统计每个国家电影上映的数量 import jieba title_list=[] #遍历电影上映地这一列 for name in data['电影上映地']: #进行精准分词 lcut=jieba.lcut(name,cut_all=False) # print(lcut) for i in lcut : # print(i) #去除无意义的词 #打开停用词表文件 file_path=open('停用词表.txt',encoding='utf-8') #将读取的数据赋值给stop_words变量 stop_words=file_path.read() #遍历后的值 如果没有在停用词表里面 则添加到net_data列表里面 if i not in stop_words: title_list.append(i) # print(title_list) #计算词语出现的频率 from nltk import FreqDist #该模块提供了计算频率分布的功能 #FreqDist对象将计算net_data中每个单词的出现频率，,并将结果存储在freq_list中 freq_list=FreqDist(title_list) print(freq_list) #结果：FreqDist 有1321个样本和5767个结果 #该方法返回一个包含最常出现单词及其出现频率的列表。将该列表赋值给most_common_words变量。 most_common_words=freq_list.most_common() print(most_common_words) #结果：('单人这个词',出现185次) #电影名 使用列表推导式来提取most_common_words中每个元素中的第一个元素，即出现次数，然后将它们存储在一个新的列表中 map_data_title = [count[0] for count in most_common_words] print(map_data_title) #电影数 map_data=[count[1] for count in most_common_words] print(map_data)

效果：

九、对每个国家电影上映数量饼图可视化 #获取map_data_title的长度，决定循环次数，赋值给遍历i 在通过下标取值 result = [[map_data_title[i], map_data[i]] for i in range(len(map_data_title))] print(result) # 创建Pie实例 chart=Pie() #添加标题和数据 radius=['圆形空白处百分比','色块百分比（大小）'] 可不写 chart.add('电影上映数饼图（单位：个）',result,radius=['50%','60%']) #显示 chart.render_notebook()

效果：

觉得有帮助的话，点个赞！