Python資料視覺化：2018年電影分析

阿新 • • 發佈：2018-11-29

本文轉載自：http://gkhelp.cn/1217.html

雙11已經過去，雙12即將來臨，離2018年的結束也就2個月不到，還記得年初立下的flag嗎？完成了多少？相信很多人和我一樣，抱頭痛哭... 本次利用貓眼電影，實現對2018年的電影大資料進行分析。

網頁分析

1、標籤

在這裡插入圖片描述

通過點選貓眼電影已經歸類好的標籤，得到網址資訊。

2、索引頁

在這裡插入圖片描述
開啟開發人員工具，獲取索引頁裡電影的連結以及評分資訊。
索引頁一共有30多頁，但是有電影評分的只有10頁。
本次只對有電影評分的資料進行獲取。

3、詳情頁

在這裡插入圖片描述
對詳情頁的資訊進行獲取。
主要是名稱，型別，國家，時長，上映時間，評分，評分人數，累計票房。

反爬破解

在這裡插入圖片描述
通過開發人員工具發現，貓眼針對評分，評分人數，累計票房的資料，施加了文字反爬。

通過檢視網頁原始碼，發現只要重新整理頁面，三處文字編碼就會改變，無法直接匹配資訊。
所以需要下載文字檔案，對其進行雙匹配。

from fontTools.ttLib import TTFont
#font = TTFont('base.woff')
#font.saveXML('base.xml')
font = TTFont('maoyan.woff')
font.saveXML('maoyan.xml')

將woff格式轉換為xml格式，以便在Pycharm中檢視詳細資訊。
利用下面這個網站，開啟woff檔案。
url:

http://fontstore.baidu.com/static/editor/index.html
可以得到下面數字部分資訊(上下兩塊)。
在Pycharm中檢視xml格式檔案(左右兩塊)，你就會發現有對應資訊。
在這裡插入圖片描述

通過上圖你就可以將數字6對上號了，其他數字一樣的。

def get_numbers(u):
"""
對貓眼的文字反爬進行破解
"""
cmp = re.compile(",\n           url\('(//.*.woff)'\) format\('woff'\)")
rst = cmp.findall(u)
ttf = requests.get("http:" + rst[0], 
 stream=True)
with open("maoyan.woff", "wb") as pdf:
for chunk in ttf.iter_content(chunk_size=1024):
if chunk:
pdf.write(chunk)
base_font = TTFont('base.woff')
maoyanFont = TTFont('maoyan.woff')
maoyan_unicode_list = maoyanFont['cmap'].tables[0].ttFont.getGlyphOrder()
maoyan_num_list = []
base_num_list = ['.', '3', '0', '8', '9', '4', '1', '5', '2', '7', '6']
base_unicode_list = ['x', 'uniF561', 'uniE6E1', 'uniF125', 'uniF83F', 'uniE9E2', 'uniEEA6', 'uniEEC2', 'uniED38', 'uniE538', 'uniF8E7']
for i in range(1, 12):
maoyan_glyph = maoyanFont['glyf'][maoyan_unicode_list[i]]
for j in range(11):
base_glyph = base_font['glyf'][base_unicode_list[j]]
if maoyan_glyph == base_glyph:
maoyan_num_list.append(base_num_list[j])
break
maoyan_unicode_list[1] = 'uni0078'
utf8List = [eval(r"'\u" + uni[3:] + "'").encode("utf-8") for uni in maoyan_unicode_list[1:]]
utf8last = []
for i in range(len(utf8List)):
utf8List[i] = str(utf8List[i], encoding='utf-8')
utf8last.append(utf8List[i])
return (maoyan_num_list ,utf8last)

資料獲取

1、構造請求頭

head = """
Accept:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
Accept-Encoding:gzip, deflate, br
Accept-Language:zh-CN,zh;q=0.8
Cache-Control:max-age=0
Connection:keep-alive
Host:maoyan.com
Upgrade-Insecure-Requests:1
Content-Type:application/x-www-form-urlencoded; charset=UTF-8
User-Agent:Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36
"""
def str_to_dict(header):
"""
構造請求頭,可以在不同函式裡構造不同的請求頭
"""
header_dict = {}
header = header.split('\n')
for h in header:
h = h.strip()
if h:
k, v = h.split(':', 1)
header_dict[k] = v.strip()
return header_dict

因為索引頁和詳情頁請求頭不一樣，這裡為了簡便，構造了一個函式。

2、獲取電影詳情頁連結

def get_url():
"""
獲取電影詳情頁連結
"""
for i in range(0, 300, 30):
time.sleep(10)
url = 'http://maoyan.com/films?showType=3&yearId=13&sortId=3&offset=' + str(i)
host = """Referer:http://maoyan.com/films?showType=3&yearId=13&sortId=3&offset=0
"""
header = head + host
headers = str_to_dict(header)
response = requests.get(url=url, headers=headers)
html = response.text
soup = BeautifulSoup(html, 'html.parser')
data_1 = soup.find_all('div', {'class': 'channel-detail movie-item-title'})
data_2 = soup.find_all('div', {'class': 'channel-detail channel-detail-orange'})
num = 0
for item in data_1:
num += 1
time.sleep(10)
url_1 = item.select('a')[0]['href']
if data_2[num-1].get_text() != '暫無評分':
url = 'http://maoyan.com' + url_1
for message in get_message(url):
print(message)
to_mysql(message)
print(url)
print('---------------^^^Film_Message^^^-----------------')
else:
print('The Work Is Done')
break

3、獲取電影詳情頁資訊

def get_message(url):
"""
獲取電影詳情頁裡的資訊
"""
time.sleep(10)
data = {}
host = """refer: http://maoyan.com/news
"""
header = head + host
headers = str_to_dict(header)
response = requests.get(url=url, headers=headers)
u = response.text

# 破解貓眼文字反爬

(mao_num_list, utf8last) = get_numbers(u)
# 獲取電影資訊
soup = BeautifulSoup(u, "html.parser")
mw = soup.find_all('span', {'class': 'stonefont'})
score = soup.find_all('span', {'class': 'score-num'})
unit = soup.find_all('span', {'class': 'unit'})
ell = soup.find_all('li', {'class': 'ellipsis'})
name = soup.find_all('h3', {'class': 'name'})

# 返回電影資訊

data["name"] = name[0].get_text()
data["type"] = ell[0].get_text()
data["country"] = ell[1].get_text().split('/')[0].strip().replace('\n', '')
data["length"] = ell[1].get_text().split('/')[1].strip().replace('\n', '')
data["released"] = ell[2].get_text()[:10]

# 因為會出現沒有票房的電影,所以這裡需要判斷
if unit:
bom = ['分', score[0].get_text().replace('.', '').replace('萬', ''), unit[0].get_text()]
for i in range(len(mw)):
moviewish = mw[i].get_text().encode('utf-8')
moviewish = str(moviewish, encoding='utf-8')
# 通過比對獲取反爬文字資訊
for j in range(len(utf8last)):
moviewish = moviewish.replace(utf8last[j], maoyan_num_list[j])
if i == 0:
data["score"] = moviewish + bom[i]
elif i == 1:
if '萬' in moviewish:
data["people"] = int(float(moviewish.replace('萬', '')) * 10000)
else:
data["people"] = int(float(moviewish))
else:
if '萬' == bom[i]:
data["box_office"] = int(float(moviewish) * 10000)
else:
data["box_office"] = int(float(moviewish) * 100000000)
else:
bom = ['分', score[0].get_text().replace('.', '').replace('萬', ''), 0]
for i in range(len(mw)):
moviewish = mw[i].get_text().encode('utf-8')
moviewish = str(moviewish, encoding='utf-8')
for j in range(len(utf8last)):
moviewish = moviewish.replace(utf8last[j], maoyan_num_list[j])
if i == 0:
data["score"] = moviewish + bom[i]
else:
if '萬' in moviewish:
data["people"] = int(float(moviewish.replace('萬', '')) * 10000)
else:
data["people"] = int(float(moviewish))
data["box_office"] = bom[2]
yield data

資料儲存

1、建立資料庫及表格

db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306)
cursor = db.cursor()
cursor.execute("CREATE DATABASE maoyan DEFAULT CHARACTER SET utf8mb4")
db.close()
 
db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306, db='maoyan')
cursor = db.cursor()
sql = 'CREATE TABLE IF NOT EXISTS films (name VARCHAR(255) NOT NULL, type VARCHAR(255) NOT NULL, country VARCHAR(255) NOT NULL, length VARCHAR(255) NOT NULL, released VARCHAR(255) NOT NULL, score VARCHAR(255) NOT NULL, people INT NOT NULL, box_office BIGINT NOT NULL, PRIMARY KEY (name))'
cursor.execute(sql)
db.close()

其中票房收入資料型別為BIGINT(19位數)，最大為18446744073709551615。
INT(10位數)，最大為2147483647，達不到36億(3600000000)。

2、資料儲存

def to_mysql(data):
"""
資訊寫入mysql
"""
table = 'films'
keys = ', '.join(data.keys())
values = ', '.join(['%s'] * len(data))
db = pymysql.connect(host='localhost', user='root', password='774110919', port=3306, db='maoyan')
cursor = db.cursor()
sql = 'INSERT INTO {table}({keys}) VALUES ({values})'.format(table=table, keys=keys, values=values)
try:
if cursor.execute(sql, tuple(data.values())):
print("Successful")
db.commit()
except:
print('Failed')
db.rollback()
db.close()

最後成功儲存資料

在這裡插入圖片描述

資料視覺化

1、電影票房TOP10

在這裡插入圖片描述
還剩一個多月，不知道榜單上會不會有新成員。最近「毒液」很火，蠻有希望。

2、電影評分TOP10

在這裡插入圖片描述

3、每月電影上映數量

在這裡插入圖片描述
每月上映數好像沒什麼大差距，7月最少，難道是因為天氣熱？

4、電影人氣TOP10

在這裡插入圖片描述
茫茫人海之中，相信一定也有大家的身影，我也是其中的一員！！！

5、每月電影票房

在這裡插入圖片描述
這裡就看出春節檔電影的威力了，金三銀四、金九銀十，各行各業的規律，電影行業也不例外。
上一張圖我們知道7月份電影上新最少，票房反而是第二。
這裡看了下資料，發現有「我不是藥神」「西虹市首富」「邪不壓正」「摩天營救」「狄仁傑之四大天王」幾部大劇撐著。

6、各國家電影數量TOP10

在這裡插入圖片描述
原來中國電影這麼高產的，可是豆瓣TOP250裡又有多少中國電影呢？深思！！！

7、中外票房對比

在這裡插入圖片描述

8、電影名利雙收TOP10

在這裡插入圖片描述
計算公式是，把某部電影的評分在所有電影評分中的排名與這部電影的票房在所有票房中的排名加起來，再除以電影總數。
除了「侏羅紀世界2」「無雙」「捉妖記2」，我都看過啦！

9、電影叫座不叫好TOP10

在這裡插入圖片描述
計算公式是，把某部電影的票房排名減去某部電影的評分排名加起來，再除以電影總數。
可能是貓眼的使用者比較仁慈吧，與豆瓣相比，普遍評分都比較高。我個人都不太敢相信這個結果。
不過有一個還是挺準的，「愛情公寓」。

10、電影型別分佈

在這裡插入圖片描述
劇情電影永遠引人深思。感覺今年的電影好多跟錢有關，比如「我不是藥神」「西虹市首富」「一出好戲」「頭號玩家」，貧窮限制了大傢伙們。

更多案例請關注“思享會Club”公眾號或者關注思享會部落格：http://gkhelp.cn/

在這裡插入圖片描述

Python資料視覺化：2018年電影分析

網頁分析

1、標籤

2、索引頁

3、詳情頁

反爬破解

資料獲取

1、構造請求頭

2、獲取電影詳情頁連結

3、獲取電影詳情頁資訊

資料儲存

1、建立資料庫及表格

2、資料儲存

最後成功儲存資料

資料視覺化

1、電影票房TOP10

2、電影評分TOP10

3、每月電影上映數量

4、電影人氣TOP10

5、每月電影票房

6、各國家電影數量TOP10

7、中外票房對比

8、電影名利雙收TOP10

9、電影叫座不叫好TOP10

10、電影型別分佈

相關推薦