电影Top250数据分析可视化，应用Python爬虫，Flask框架，Echarts，WordCloud

目录

一：项目概述

二：模块实现

2.1 Python爬虫的技术实现

2.1.1 爬取网页，获取数据

2.1.2 解析内容

2.1.3 保存数据

2.2 数据可视化

2.2.1 Flask框架

2.2.2 首页和电影页（表格）

2.2.3 使用Echarts呈现电影评分分布图

2.2.4 jieba分词，WordCloud生成“词云”

---

一：项目概述

本项目运用 Python爬取电影Top250网页数据，使用BeautifulSoup和正则表达式进行解析，存于excel和sqlite数据库中。数据可视化应用Flask 框架，使用Echarts呈现电影评分分布图，使用jieba进行文本分析，WordCloud生成电影“词云”。

二：模块实现

2.1 Python爬虫的技术实现

技术概览：

1.爬取网页，获取数据：使用urllib2库获取指定url的数据。

2.解析内容：使用BeautifulSoup定位特定的标签位置；使用正则表达式找到具体的内容。

3.保存数据：使用xlwt将抽取的数据写入Excel表格中；使用sqlite3将数据写入数据库。

2.1.1 爬取网页，获取数据

使用urllib2库获取指定url的数据。

import urllib.request

#得到指定一个URL的网页内容
def askURL(url)
    head = {    #模拟浏览器头部信息，向豆瓣服务器发送消息
        "User-Agent": "xxxx"
    }   #用户代理：表示告诉电影网站服务器，我们是什么类型的机器、浏览器（本质上是告诉服务器，我们可以接收什么水平的文件内容）

    req = urllib.request.Request(url=url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(req)
        html = response.read().decode("utf-8")
        print(html)
    except urllib.error.URlError as e:
        if hasattr(e,"code"):       #hasattr（e,"code“): 判断e这个对象里面是否包含code这个属性
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)

    return html

#爬取网页
def getData(baseurl):
    datalist = []
    for i in range(0,10):       #调用获取页面信息的函数，10次
        url = baseurl + str(i*25)
        html = askURL(url)      #保存获取到的网页源码

        #2.逐一解析数据

    return datalist

2.1.2 解析内容

使用BeautifulSoup定位特定的标签位置；使用正则表达式找到具体的内容。

#创建正则表达式对象，表示规则（字符串的模式）
findLink = re.compile(r'<a href="(.*?)">')      #只拿括号里的内容；括号里的？表示非贪婪模式，找到第一个>就停下
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)   #re.S表示使.匹配包括换行在内的所有字符
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num".*>(.*)</span>')
findJudgeNum = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

#2.逐一解析数据
soup = BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_ ="item"):    #查找符合要求的字符串，形成列表;class_加下划线表示属性
    #print(item)        #测试：查看电影item全部信息
    data = []       #保存一部电影的所有信息
    item = str(item)      #转变类型为字符串，未后面的正则匹配做准备

    #影片详情的链接
    link = re.findall(findLink,item)[0]     #re库用来通过正则表达式查找指定的字符串
    data.append(link)

    #影片图片
    imgSrc = re.findall(findImgSrc,item)[0]
    data.append(imgSrc)

    #影片片名
    titles = re.findall(findTitle,item)     #片名可能只有一个中文名，也可能还有外文名，甚至多个外文名
    if len(titles)>=2:     #若有多个外文名也只取一个
        ctitle = titles[0]      #添加中文名
        data.append(ctitle)
        otitle = titles[1].replace("/","").strip()     #添加英文名，并去掉/和前后空格
        data.append(otitle)
    else:
        data.append(titles[0])
        data.append("")         #外国名字要留空，否则数据会错位

    #影片评分
    rating = re.findall(findRating,item)[0]
    data.append(rating)

    #评分人数
    judgeNum = re.findall(findJudgeNum,item)[0]
    data.append(judgeNum)

    # 影片概述
    inq = re.findall(findInq, item)     #有的影片没有概述，因此这里用了[0]会报错
    if len(inq) != 0:
        inq = inq[0].replace("。", "")
        data.append(inq)
    else:
        data.append("")

    #影片的相关内容
    bd = re.findall(findBd, item)[0]
    bd = re.sub('<br(\s+)?/>(\s+)'," ",bd)        #去掉(\s+)，\s匹配空白和tab键
    bd = re.sub('/'," ",bd)             #替换/
    bd = bd.strip()                 #去掉前后的空格
    data.append(bd)

    datalist.append(data)           #把处理好的一部电影信息放入datalist

2.1.3 保存数据

1.Excel表储存

利用python库xlwt将抽取的数据datalist写入表格中

import xlwt

# 保存数据(excel存储)
def saveData(datalist,savepath):
    book = xlwt.Workbook(encoding="etf-8",style_compression=0)  # encoding:设置编码，可写中文；style_compression:是否压缩，不常用
    sheet = book.add_sheet('电影Top250',cell_overwrite_ok=True)    # cell_overwrite_ok:是否可以覆盖单元格，默认为False
    col = ("影片详情链接","影片图片","影片中文名","影片外文名","影片评分","评分人数","影片概述","影片相关内容") #设置表头
    for i in range(0,len(col)):
        sheet.write(0,i,col[i])     #存入列名
    for i in range(0,250):
        data = datalist[i]          #拿出每一条电影的信息
        for j in range(0,len(col)):
            sheet.write(i+1,j,data[j])     #第0行是表头，故须i+1
    book.save(savepath)             #保存数据表

2.SQLite储存

使用sqlite3。步骤包括：连接数据库，创建数据表，插入数据。

import sqlite3                          #进行SQLite数据库操作

#保存数据(db存储)
def saveData2(datalist,savedb):
    conn = sqlite3.connect(savedb)
    cur = conn.cursor()
    #建表
    sql1 = '''
            create table movie250
                (id integer PRIMARY KEY autoincrement,
                link text,
                imgSrc text,
                ctitle text,
                otitle text,
                rating real,
                judgeNum int,
                inq text,
                bd text);       
        '''
    cur.execute(sql1)

    #插入数据
    for i,data in enumerate(datalist):
        sql2 = '''
                    insert into movie250(id,link,imgSrc,ctitle,otitle,rating,judgeNum,inq,bd)
            '''
        value_str = 'values(' + str(i+1) + ','
        for j in range(0,len(data)):
            if j == 4 or j == 5 :
                value_str = value_str + str(data[j]) + ','
            elif j != len(data) - 1:
                value_str = value_str + '"' + data[j] + '",'
            else:
                value_str = value_str + '"' + data[j] + '"'
        sql2 += value_str + ');'
        cur.execute(sql2)
        conn.commit()

    conn.close()

2.2 数据可视化

2.2.1 Flask框架

本项目使用Flask作为Web框架。Flask框架的核心是Werkzeug和Jinja2。Werkzeug进行请求的路由转发；Jinja2进行界面的渲染。

新建基于Flask框架的工程文件：

自动生成两个文件夹：

1.static放一些css、js文件，网页相关素材的提供

2.templates模板：放一些html网页文件，反馈给用户想要访问的内容

运行一下得到一个网页

 run()监听用户访问这个网页

这两部分就是我们可以自定义的内容了。Werkzeug负责判断特定路径执行哪一个函数（红框部分）；Jinja2负责返回的内容（黄框部分）

2.2.2 首页和电影页（表格）

 首页和电影列表页代码：

@app.route('/index')    # 首页
def home():
    return index()

@app.route('/movie')    # 列表页
def movie():
    datalist = []
    conn = sqlite3.connect("movie250.db")
    cur = conn.cursor()
    sql = "select * from movie250"
    data = cur.execute(sql)
    for item in data:
        datalist.append(item)
    cur.close()
    conn.close()
    return render_template("movie.html",movies = datalist)

电影页html表格部分代码：

<table class="table table-striped">
    <tr>
        <td>排名</td>
        <td>中文名称</td>
        <td>外文名称</td>
        <td>评分</td>
        <td>评分人数</td>
        <td>一句话概述</td>
        <td>其他信息</td>
    </tr>

    {% for movie in movies %}
    <tr>
        <td>{{ movie[0] }}</td>
        <td>
            <a href="{{ movie[1] }}" target="_blank">
            {{ movie[3] }}
            </a>
        </td>
        <td>{{ movie[4] }}</td>
        <td>{{ movie[5] }}</td>
        <td>{{ movie[6] }}</td>
        <td>{{ movie[7] }}</td>
        <td>{{ movie[8] }}</td>
    </tr>
    {% endfor %}

</table>  

效果图：

首页

电影页

  

2.2.3 使用Echarts呈现电影评分分布图

ECharts是一款基于JavaScript的数据可视化图表库，提供直观，生动，可交互，可个性化定制的数据可视化图表。本项目应用使用Echarts呈现电影Top250的评分分布图。

score列表页代码

@app.route('/score')
def score():
    score = []      #评分
    num = []        #每个评分所统计出的电影数量
    conn = sqlite3.connect("movie250.db")
    cur = conn.cursor()
    sql = "select rating,count(rating) from movie250 group by rating"
    data = cur.execute(sql)
    for item in data:
        score.append(item[0])
        num.append(item[1])
    cur.close()
    conn.close()
    return render_template("score.html", score=score,num=num)

 html文件的Echarts部分

<!-- 为 ECharts 准备一个定义了宽高的 DOM -->
<div id="main" style="width: 100;height:350px;"></div>

<script type="text/javascript">
  // 基于准备好的dom，初始化echarts实例
  var myChart = echarts.init(document.getElementById('main'));

  // 指定图表的配置项和数据
  option = {
    tooltip: {
        trigger: 'axis',
        axisPointer: {
          type: 'shadow'
        }
      },
    color:['#3398DB'],
    grid: {
        left: 100,
        right: 50,
        top: 10
      },
    xAxis: {
        type: 'category',
        data: {{ score }}
        <!--['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']-->
    },
    yAxis: {
        type: 'value'
    },
    series: [{
        data: {{ num }},
        <!--[120, 200, 150, 80, 70, 110, 130],-->
        type: 'bar',
        barWidth:'50'
    }]
  };

  // 使用刚指定的配置项和数据显示图表。
  myChart.setOption(option);
</script>

效果图

2.2.4 jieba分词，WordCloud生成“词云”

需要安装jieba分词包（把一个句子分成很多个词），以及绘图工具matplotlib包，还有Wordcloud下载。

import sqlite3              #数据库
import jieba                #分词
from matplotlib import pyplot as plt       #绘图，数据可视化
from wordcloud import WordCloud            #词云
from PIL import Image       #图片处理
import numpy as np          #矩阵运算

#准备词云所需的文字（词）
conn = sqlite3.connect('movie250.db')
cur = conn.cursor()
sql = 'select inq from movie250'
data = cur.execute(sql)
text = ""
for item in data:
    text = text + item[0]
#print(text)
cur.close()
conn.close()

#分词
cut = jieba.cut(text)
str = " ".join(cut)
print(len(str))

#生成遮罩图片
img = Image.open(r'.\static\assets\img\tree.jpg')   #打开遮罩图片
img_array = np.array(img)       #将图片转换为数组
wc = WordCloud(                 #封装WordCloud对象
    background_color='white',
    mask=img_array,
    font_path="SourceHanSansCN-Bold.otf",    #字体所在位置：C:\Windows\Fonts
    min_word_length=2 ,          #一个单词必须包含的最小字符数
    stopwords=["就是","一个","不是","这样","一部","我们","没有","电影","不会","不能","每个"]      #屏蔽词
)
wc.generate_from_text(str)      #根据str文本生成wc词云

#绘制图片
fig = plt.figure(1)     #绘制图片
plt.imshow(wc)          #按照词云wc的规则显示图片
plt.axis('off')         #是否显示坐标轴

#plt.show()              #显示生成的词云图片

#输出词云图片到文件
plt.savefig(r'.\static\assets\img\word.jpg',dpi=1000)

裁剪优化：

裁剪前

裁剪后，视觉效果更好

#裁剪图片
base_img = Image.open(r'.\static\assets\img\word.jpg')
w,h = base_img.size                 #获取图片尺寸的宽和高
box = (0.1*w,0.1*h,0.9*w,0.9*h)     #四个参数值分别是x，y，w，h； x，y是图像左上点的坐标，w，h是图像的宽和高
base_img.crop(box).save(r'.\static\assets\img\word2.jpg')
#base_img.crop(box).show()