python爬取豆瓣电影并分析_爬取豆瓣电影top250提取电影分类进行数据分析

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：

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！

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 = '/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

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：

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 = '081029', 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)

mit()

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

源码在这里：

# -*- coding: utf-8 -*-

# !/usr/bin/env python

from lxml import etree

import requests

import pymysql

import matplotlib.pyplot as plt

from pylab import *

import numpy as np

# 连接mysql数据库

conn = pymysql.connect(host = 'localhost', user = 'root', passwd = '081029', db = 'mysql', charset = 'utf8')

cur = conn.cursor()

cur.execute('use douban')

def get_page(i):

url = '/top250?start={}&filter='.format(i)

html = requests.get(url).content.decode('utf-8')

selector = etree.HTML(html)

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]

# print('zhe' +ｉ)

# print(i.strip())

# print(i.strip().split(' '))

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

def save_mysql():

print(douban)

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)

mit()

except:

print('插入失败')

conn.rollback()

def pylot_show():

sql = 'select * from douban;'

cur.execute(sql)

rows = cur.fetchall()

count = []

category = []

for row in rows:

count.append(int(row[2]))

category.append(row[1])

print(count)

y_pos = np.arange(len(category))

print(y_pos)

print(category)

colors = np.random.rand(len(count))

# plt.barh()

plt.barh(y_pos, count, align='center', alpha=0.4)

plt.yticks(y_pos, category)

for count, y_pos in zip(count, y_pos):

plt.text(count, y_pos, count, horizontalalignment='center', verticalalignment='center', weight='bold')

plt.ylim(+28.0, -1.0)

plt.title(u'豆瓣电影250')

plt.ylabel(u'电影分类')

plt.subplots_adjust(bottom = 0.15)

plt.xlabel(u'分类出现次数')

plt.savefig('douban.png')

if __name__ == '__main__':

douban = {}

for i in range(0, 250, 25):

get_page(i)

# save_mysql()

pylot_show()

cur.close()

conn.close()