Python电影爬虫，用Excel存储并进行数据可视化分析

目录

• 一、爬取网页数据
• • 1、分析网页
  • • （1）网页数据类型
    • （2）不同类型电影排行榜 url 的区别
    • • 电影分类对应关系表
  • 2、编写爬虫
  • • （1）先寻找网页的 url
    • （2）编写请求中使用的相应数据
    • （3）发送响应
  • 3、保存数据到Excel，格式为xlsx
  • • （1）用列表存储暂存数据
    • （2）用字典来进一步存储数据
    • • 爬虫函数
    • （3）将数据存入Excel中
    • （4）将多个 sheet 合并成一个 sheet
  • 4、完整代码
• 二、可视化数据分析
• • 1、准备工作
  • • （1）导入库并且设置绘图参数
    • （2）导入数据
  • 2、数据预处理
  • • （1）缺失值处理
    • （2）重复值处理
  • 3、可视化分析
  • • （1）电影出品国的情况分析
    • （2） 电影类型情况分析
    • （3）电影数量分析
• 三、分析结果总结
• • • （1）电影高产国家或地区:
    • （2）电影产业的高速发展年代：
    • （3）评分排名：

一、爬取网页数据 1、分析网页
（1）网页数据类型

先查看网页中的数据是属于哪种类型，例如：text、json等。

（2）不同类型电影排行榜 url 的区别

然后我们分析各排行榜中的url有何不同：

https://movie.douban.com/typerank?type_name=剧情&type=11&interval_id=100:90&action=
https://movie.douban.com/typerank?type_name=喜剧&type=24&interval_id=100:90&action=
https://movie.douban.com/typerank?type_name=爱情&type=13&interval_id=100:90&action=

这边列举了三个观察很容易发现其中的对应关系是一种字典的对应，即每个分类名字（type_name）都有自己对应的数字（type）对应。

所以我就将其记录下来用一个字典进行存储：

type_name={"剧情":"11","喜剧":"24","动作":"5","爱情":"13","科幻":"17","动画":"25","悬疑":"10", 
    "惊悚":"19","恐怖":"20","纪录片":"1","短片":"23","情色":"6","同性":"26",
    "音乐":"14","歌舞":"7","家庭":"28","儿童":"8","传记":"2","历史":"4","战争":"22","犯罪":"3","西部":"27",
    "奇幻":"16","冒险":"15","灾难":"12","武侠":"29","古装":"30","运动":"18","黑色电影":"31"}

电影分类对应关系表

下表是我查看并统计的，表比较长可以直接跳过

type_name	type
剧情	11
喜剧	24
动作	5
爱情	13
科幻	17
动画	25
悬疑	10
惊悚	19
恐怖	20
纪录片	1
短片	23
情色	6
同性	26
音乐	14
歌舞	7
家庭	28
儿童	8
传记	2
历史	4
战争	22
犯罪	3
西部	27
奇幻	16
冒险	15
灾难	12
武侠	29
古装	30
运动	18
黑色电影	31

2、编写爬虫

有了上述准备之后，就可以开写爬虫了。

（1）先寻找网页的 url

因为我已经写好了，所以就直接给出来。

url = "https://movie.douban.com/j/chart/top_list"

（2）编写请求中使用的相应数据

先是 Params ：

# A dictionary of parameters that are used in the request.
# 请求中使用的参数字典。
Params = {
        'type': f"{type_name[word1]}",
        'interval_id': "100:90",
        'action': None,
        'start': "0",
        'limit': f"{Number}",
        }

其中的 type_name 就是上方的电影分类对应字典；后面的 word1 来表示字典中的key；Number 就是就是我们每个类型排行榜爬取电影的数量（可以比排行榜中的电影总数要大，我当时设置的是1000）

然后就是 headers（必须要有）：

# A header that is used to identify the browser.
# 用于标识浏览器的标头。
headers = {
    "User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36"
    }

（3）发送响应

用 response 发送请求，然后将响应数据转换为 json 对象

# Sending a request to the url with the parameters and headers.
# 向带有参数和标头的 url 发送请求。
response = requests.get(url=url , params=Params , headers=headers)

# Converting the response to a json object.
# 将响应转换为 json 对象。
result = response.json()

3、保存数据到Excel，格式为xlsx （1）用列表存储暂存数据

因为每个数据标签（就是数据代表的意思）都不一样，所以用列表来分开存储：

# Creating a list of the column names.
# 创建列名列表。
title=["film_title",] # 片名
release_date=["release_date",] # 发布日期
actors=["actors",] # 演员
regions = ["country_of_production"] # 制片国家/地区
rating=["rating",] # 分数
vote_count = ["vote_count"] # 评分人数
rank=["rank",] # 在单分类榜中的排名
types = ["types"] # 影片类型
url=["url",] # 影片简介链接

（2）用字典来进一步存储数据

用字典来存储列表中的数据并形成键值对，然后生成 DataFrame

# Creating a dictionary with the keys being the column names and the values being the lists of values.
# 创建一个字典，键是列名，值是值列表。
output_excel = {"film_title": title, "release_date": release_date, "actors": actors, "regions": regions, "rating": rating, "vote_count": vote_count, "rank": rank, "types": types, "url": url}
output = pd.DataFrame(output_excel)

爬虫函数

到这里我们就已经大概写好我们用的爬虫了，然后我们将它写成一个函数方便使用

import requests
import pandas as pd

def DouBan_Movie_Sperider(word1,Number):
    type_name={"剧情":"11","喜剧":"24","动作":"5","爱情":"13","科幻":"17","动画":"25","悬疑":"10", 
    "惊悚":"19","恐怖":"20","纪录片":"1","短片":"23","情色":"6","同性":"26",
    "音乐":"14","歌舞":"7","家庭":"28","儿童":"8","传记":"2","历史":"4","战争":"22","犯罪":"3","西部":"27",
    "奇幻":"16","冒险":"15","灾难":"12","武侠":"29","古装":"30","运动":"18","黑色电影":"31"}
    
    url = "https://movie.douban.com/j/chart/top_list"
    Params = {
        'type': f"{type_name[word1]}",
        'interval_id': "100:90",
        'action': None,
        'start': "0",
        'limit': f"{Number}",
    }
    headers = {
        "User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36"
    }
    response = requests.get(url=url , params=Params , headers=headers)
    result = response.json()
    
    title=["film_title",] # 片名
    release_date=["release_date",] # 发布日期
    actors=["actors",] # 演员
    regions = ["country_of_production"] # 制片国家/地区
    rating=["rating",] # 分数
    vote_count = ["vote_count"] # 评分人数
    rank=["rank",] # 在单分类榜中的排名
    types = ["types"] # 影片类型
    url=["url",] # 影片简介链接

    for i in result:
        title.append(i["title"])
        release_date.append(i["release_date"])
        actors.append(i["actors"])
        regions.append(i["regions"])
        rating.append(i["rating"][0])
        vote_count.append(i["vote_count"])
        rank.append(i["rank"])
        types.append(i["types"])
        url.append(i["url"])

    output_excel = {"film_title": title, "release_date": release_date, "actors": actors, "regions": regions, "rating": rating, "vote_count": vote_count, "rank": rank, "types": types, "url": url}
    output = pd.DataFrame(output_excel)
    return output

（3）将数据存入Excel中

接下来我们将它数据存储到 Excel 中，我是用的是 exec（因为我觉得它比较好用） 语句来执行存储

# Creating a new dataframe for each word in the word_list and saving it to a new sheet in the excel file.
# 为 word_list 中的每个单词创建一个新的数据框，并将其保存到 excel 中的新工作表文件。
for m, i in enumerate(word_list, start=1):
    exec(f'output{m} = DouBan_Movie_Sperider(i,Number)')
    exec(f'output{m}.to_excel(writer,i)')
writer.save()

因为是分类型存储的，所以存储下来的表格也是分类的，也就是说我们还需要在将不同的 sheet 合并成一个 sheet ，这样会方便我们之后的数据分析。

（4）将多个 sheet 合并成一个 sheet

编写的这个函数传入两个参数，一个是原始的文件名，另一个是要合并后的文件名：读取每个工作表，将其附加到数据框，然后将数据框保存。

def merge_sheets(file, save_file):
    file = pd.ExcelFile(file)
    sheet_names = file.sheet_names
    print(sheet_names)
    sheet_concat = pd.DataFrame()
    for sheet in sheet_names:
        df = pd.read_excel(file, sheet_name=sheet, header=1, index_col=0)
        sheet_concat = sheet_concat.append(df)
    sheet_concat.to_excel(save_file)

file = 'Movie_douban.xlsx'
save_file = 'Movie_douban_classification_rankings.xlsx'
merge_sheets(file, save_file)

其中 file 是原始文件的文件名，save_file 是合并后的文件名，到这我们就可以进行数据分析了。

4、完整代码

# Importing the requests library.
# 导入 requests 库。
import requests

# Importing the pandas library and renaming it to pd.
# 导入 pandas 库并将其重命名为 pd.
import pandas as pd

"""
It takes a list of words and a number, and returns a dataframe of the top movies of each word in the
list.
:param word1: The type of movie you want to search for
:param Number: The number of movies you want to crawl
:return: A DataFrame.

它接受一个单词列表和一个数字，并返回每个单词的热门电影的数据帧
列表。
:param word1: 你要搜索的电影类型
:param Number: 要抓取的电影数量
:return: 一个 DataFrame。
"""
def DouBan_Movie_Sperider(word1,Number):
    type_name={"剧情":"11","喜剧":"24","动作":"5","爱情":"13","科幻":"17","动画":"25","悬疑":"10", 
    "惊悚":"19","恐怖":"20","纪录片":"1","短片":"23","情色":"6","同性":"26",
    "音乐":"14","歌舞":"7","家庭":"28","儿童":"8","传记":"2","历史":"4","战争":"22","犯罪":"3","西部":"27",
    "奇幻":"16","冒险":"15","灾难":"12","武侠":"29","古装":"30","运动":"18","黑色电影":"31"}
    url = "https://movie.douban.com/j/chart/top_list"
    # A dictionary of parameters that are used in the request.
    # 请求中使用的参数字典。
    Params = {
        'type': f"{type_name[word1]}",
        'interval_id': "100:90",
        'action': None,
        'start': "0",
        'limit': f"{Number}",
    }

    # A header that is used to identify the browser.
    # 用于标识浏览器的标头。
    headers = {
        "User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36"
    }

    # Sending a request to the url with the parameters and headers.
    response = requests.get(url=url , params=Params , headers=headers)

# Converting the response to a json object.
# 将响应转换为 json 对象。
    result = response.json()

# Creating a list of the column names.
# 创建列名列表。
    title=["film_title",] # 片名
    release_date=["release_date",] # 发布日期
    actors=["actors",] # 演员
    regions = ["country_of_production"] # 制片国家/地区
    rating=["rating",] # 分数
    vote_count = ["vote_count"] # 评分人数
    rank=["rank",] # 在单分类榜中的排名
    types = ["types"] # 影片类型
    url=["url",] # 影片简介链接

    # A for loop that iterates through the result and appends the values of the keys to the lists.
    # 遍历结果并将键的值附加到列表的 for 循环。
    for i in result:
        title.append(i["title"])
        release_date.append(i["release_date"])
        actors.append(i["actors"])
        regions.append(i["regions"])
        rating.append(i["rating"][0])
        vote_count.append(i["vote_count"])
        rank.append(i["rank"])
        types.append(i["types"])
        url.append(i["url"])

# Creating a dictionary with the keys being the column names and the values being the lists of values.
# 创建一个字典，键是列名，值是值列表。
    output_excel = {"film_title": title, "release_date": release_date, "actors": actors, "regions": regions, "rating": rating, "vote_count": vote_count, "rank": rank, "types": types, "url": url}
    output = pd.DataFrame(output_excel)
    return output

def merge_sheets(file, save_file):
    """
    It takes an Excel file and a save file name, reads in each sheet, appends it to a dataframe, and then saves the dataframe to the save file name
    :param file: the file path of the excel file
    :param save_file: the file name of the merged file
    
    读取每个工作表，将其附加到数据框，然后将数据框保存。
    :param file：excel文件的文件路径
    :param save_file: 合并文件的文件名
    """
    file = pd.ExcelFile(file)
    sheet_names = file.sheet_names
    print(sheet_names)
    sheet_concat = pd.DataFrame()
    for sheet in sheet_names:
        df = pd.read_excel(file, sheet_name=sheet, header=1, index_col=0)
        print(df.shape)
        sheet_concat = sheet_concat.append(df)
    sheet_concat.to_excel(save_file)
    print('合并之后的数据大小：',sheet_concat.shape)

word_list=["剧情","喜剧","动作","爱情","科幻","动画","悬疑","惊悚","恐怖",
            "纪录片","短片","情色","同性","音乐","歌舞","家庭","儿童","传记","历史","战争","犯罪","西部",
            "奇幻","冒险","灾难","武侠","古装","运动","黑色电影"]

writer = pd.ExcelWriter("Movie_douban.xlsx")
Number = 1000

# Creating a new dataframe for each word in the word_list and saving it to a new sheet in the excel file.
# 为 word_list 中的每个单词创建一个新的数据框，并将其保存到 excel 中的新工作表文件。
for m, i in enumerate(word_list, start=1):
    exec(f'output{m} = DouBan_Movie_Sperider(i,Number)')
    exec(f'output{m}.to_excel(writer,i)')
writer.save()

file = 'Movie_douban.xlsx'
save_file = 'Movie_douban_classification_rankings.xlsx'
merge_sheets(file, save_file)

二、可视化数据分析

可视化数据分析建议使用 Jupyter notebook 的环境，我这里用的是 Jupyter notebook 有 % 的地方在一些 IDE 里面是不需要的，注意一下。

1、准备工作 （1）导入库并且设置绘图参数

# 导入所必须使用的库
import numpy as np
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')
%matplotlib inline
#运行配置参数中的字体（font）为 黑体（SimHei）
matplotlib.rcParams['font.family'] = 'Microsoft YaHei'
#加sans-serif,这样如果所列出的字体都不能用,则默认的sans-serif字体能保证调用
matplotlib.rcParams['font.sans-serif'] = ['SimHei'] 
#解决默认生成的统计图表不清楚问题，设定输出表格为SVG
%config InlineBackend.figure_format = 'svg'
#坐标轴符号无法正常显示问题
matplotlib.rcParams['axes.unicode_minus'] = False 
#设置绘图风格
matplotlib.style.use('tableau-colorblind10')

（2）导入数据

导入数据然后查看一下数据

# 导入所使用的数据excel表（加载数据）
df = pd.read_excel("Movie_douban_classification_rankings.xlsx", sheet_name="Sheet1")
# 查看 df 的内容
df

其中第一行中的导入数据表操作需要在工作目录中，如果是在别的地方，可以将其路径复制黏贴上去，例如：

D:PythonMovie_douban_classification_rankings.xlsx

这里对表中数据进行一下标签

film_title = 片名
release_date = 发布日期
actors = 演员
country_of_production = 制片国家/地区
rating = 分数
vote_count = 评分人数
rank = 在单分类榜中的排名
types = 影片类型
url = 影片简介链接

2、数据预处理 （1）缺失值处理

先是查找缺失值：

# 数据预处理之缺失值发现
df.isnull()

因为上述数据比较多，所以换种办法统计缺失，用这种办法可以直接显示有缺失值的行。

# 由于数据量较大，接下来调用 any 的方法判断是否表中有缺失值
nan_any_rows = df.isnull().any(axis=1)
df[nan_any_rows]

上面结果说明表中没有缺失值

（2）重复值处理

先检测是否有重复值：

# 调用 duplicated 方法检测是否有重复值
df['film_title'].duplicated()

从结果发现还是有许多电影的片名是重复的，也就是说有电影不只有一种类别，所以接下来要删除重复值使它成为唯一值。

接下来就进行重复值的去除：

# 这边需要先删除掉第一列也就是合并之后出来的 unnamed（无名）列，因为这一列数据会阻碍我删除重复行，所以我们先把它删除
# 删除列的两种方法我们选择用 drop 方法，目的是为了让原始数据继续存在
new_df = df.drop(columns=["Unnamed: 0"])
# 然后我们用 drop_duplicates 方法将重复值去掉
new_df = new_df.drop_duplicates(subset= 'film_title')
# 查看删除重复之后的数据
new_df

看下面的 3218 rows，明显已经将数据中重复值删去了。

3、可视化分析 （1）电影出品国的情况分析

因为之前我们使用了列表来存储，所以会有列表的符号也被存储进入了表中，所以要先将数据中多余的符号删除

# (1) 首先处理一下数据内部，将列表符号给删去
new_df_country1 = new_df['country_of_production'].str.replace('[', '', regex=False)
new_df_country2 = new_df_country1.str.replace(']', '', regex=False)
new_df_country3 = new_df_country2.str.replace("'", '', regex=False)
new_df_country3

接下来就是统计数据，这里我只选取了电影出品国家前十名的数据（太多了会很挤在画图的时候会看不清字）

# (2) 开始进行统计
movies_country = []
for country1 in new_df_country3:
    country2 = country1.split(', ' or '/')
    movies_country.extend(iter(country2))
new_df_country_number1 = pd.DataFrame({'country_of_production':movies_country})
new_df_country_number2 = new_df_country_number1['country_of_production'].value_counts()
new_df_country_number2.head(10)

然后就是画图，画图这个很简单就不多解释了，设置好X轴和Y轴标题还有主标题就结束了

# (3) 绘制电影出品排名前十的柱形图
plt.title('Country/Numders') # 设立主标题
plt.xlabel('Country') # 设置X轴标题
plt.ylabel('Numders') # 设置Y轴标题
new_df_country_number2.head(10).plot(kind = "bar") # 绘图

如果用的不是 Jupyter notebook 的话，最后要加上一行 plt.show() ，作用是将图表显示出来，ps：括号一定不能少！！！

（2） 电影类型情况分析

跟上面一样，因为这个也是用列表存储的，所以也会带有列表符，所以也要先把它删掉：

# (1) 首先处理一下数据内部，将列表符号给删去
new_df_types1 = new_df['types'].str.replace('[', '', regex=False)
new_df_types2 = new_df_types1.str.replace(']', '', regex=False)
new_df_types3 = new_df_types2.str.replace("'", '', regex=False)
new_df_types3

然后再进行统计数据，看每种类型有多少部电影

# (2) 进行统计(后期可优化与上代码进行合并成算法)
movies_types = []
for types1 in new_df_types3:
    types2 = types1.split(', ')
    movies_types.extend(iter(types2))
new_df_types_number1 = pd.DataFrame({'types_of_production':movies_types})
new_df_types_number2 = new_df_types_number1['types_of_production'].value_counts()
new_df_types_number2

然后也是画图，设置好X轴和Y轴标题还有主标题，记住要是你用的不是 Jupyter notebook 要加上 plt.show() 才能看见图像！！！

# (3) 绘制不同类型电影的数量前十名的图像
new_df_types_number2.head(10).plot(kind = 'bar') # 绘图
plt.xlabel('Types') # 设置X轴标题
plt.ylabel('Numders') # 设置Y轴标题
plt.title('Types/Numbers') # 设立主标题

（3）电影数量分析

按年统计电影数量，因为我们存储的是文本数据，所以要先将文本数据进行转换：

# (1) 先将字符数据转换成年份
new_df_datetime = pd.to_datetime(new_df['release_date']).apply(lambda x:x.strftime('%Y'))
new_df_datetime

只一个 %Y 是因为按年统计只需要年份，所以我就不写多余的，如果要是需要月份或者日期的可以写成 %Y-%m-%d 类似这种格式。

然后就是按照年份统计电影的数量：

# (2) 按年份统计每年的电影数量
new_df_datetime_numbers_years = new_df_datetime.value_counts().sort_index()
(new_df_datetime_numbers_years

绘制图像，这次画的是折线图，因为看的是趋势，所以就画一个折线图：

# (3) 根据所统计的绘图
fig = plt.figure(figsize = (7, 5), dpi = 100)
plt.xlabel('Years')
plt.ylabel('Numders')
plt.title('Years/Numbers')
new_df_datetime_numbers_years.plot(kind = 'line')

三、分析结果总结 （1）电影高产国家或地区:

美国、英国、日本、法国、中国大陆、中国香港、德国、意大利、加拿大、韩国。

（2）电影产业的高速发展年代：

1991-2013年

（3）评分排名：

多数分布于8-9分之间，有少数<7.5或者>9.6

感谢各位能耐心看到这里，如果对上面有什么疑惑或者建议可以评论或者私信我，一起讨论。