电影数据采集与可视化(电影数据可视化分析)

时间：2023-04-17 浏览：39 分类：娱乐资讯

获取URL

我们先打开猫眼票房http://piaofang.maoyan.com/dashboard?date=2019-10-22 ，查看当日票房信息，

但是在通过xpath对该url进行解析时发现获取不到数据。

于是按F12打开Chrome DevTool，按照如下步骤抓包

再打开获取到的url:http://pf.maoyan.com/second-box?beginDate=20191022

可以看到是json数据，并且url是以日期结尾的，也就是每日的票房数据都保存在对应日期的url中，这样我们就可以通过构造url来爬取每天的票房数据。

开始采集

先创建了两个函数，

一个用来获取制定年份的所有日期，例如，传入2019，返回。

当然也可以传入多个年份的列表，如，返回

这里没有使用任何库，用笨方法手动构造了全年的日期列表。

def get_calendar(years): """ 传入年份(可用list传入多个年份)，得到年份中的所有日期 :param years: 可传入list、int、str :return: 年份中全部日期的list，日期格式: "2019-09-30" """ mmdd = # 判断传入参数的格式，如果是list则排序，如果是str或int则转为list if isinstance(years, list): years.sort() else: years = ? # 先为每个月都加入31天，然后删掉2，4，6，9，11的31日和2月的30日，再判断闰年来删掉2月29日 for year in years: for m in range(1, 13): for d in range(1, 32): mmdd.append(str(year) + str(m).zfill(2) + str(d).zfill(2)) for i in : mmdd.remove(str(year) + str(i).zfill(2) + "31") mmdd.remove(str(year) + "0230") if not calendar.isleap(year): mmdd.remove(str(year) + "0229") ? return mmdd

第二个函数很简单，传入上一个函数得到的日期列表，返回对应日期的url列表。

def get_urls(datas): """ 通过日历函数得到的每年全部日期，构造出全部日期的url :param datas: 全部日期 :return: 全部url """ urls = for date in datas: url = "http://pf.maoyan.com/second-box?beginDate={}".format(date) urls.append(url) return urls

存入mysql

对于将数据存到mysql还是excel中，差别只在于写入的方法不同，前面对url的解析以及对数据的处理和获取都基本相同，

所以这里直接把存入mysql和存入excel写到了一个函数中，和后面的两个函数分别配合完成数据储存操作。

参数说明和判断储存方式在函数注释里写的很详细，这里简单说一下函数逻辑，

因json里的数据项很多，并且都以英文作为key，所有我们这里先手动创建要获取的数据项的中英文对照表，放到dict中，并根据这个dict来匹配主要的数据项。

最终返回一个由字典组成的list，返回的list其实没什么用，因为后面可视化的数据来源是直接通过sql取自mysql的，所以返回的list主要是调试时用着方便。

def get_movie_data(url, excel_or_db): """ 采集一个页面，并将数据写入excel或数据库， 需要在函数外创建excel工作薄和工作表或连接好数据库，将worksheet或Connection类作为参数传入本函数 如果传入的是worksheet类，函数会把数据保存到已创建excel中； 如果传入的是Connection类，函数会把数据保存在已连接的数据库的movies_data表中，数据库表名手动在sql中调整，本函数内1处、get_data_save_db()函数内两处。 :param url: 要采集的页面 :param excel_or_db: openxl的worksheet类 或 pymysql的Connection类 :return: 返回页面的全部数据 """ headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit' '/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36'} main_key = {"avgSeatView": "上座率", "avgShowView": "场均人次", "boxinfo": "综合票房", "boxRate": "票房占比", "movieId": "影片ID", "movieName": "影片名称", "releaseInfo": "上映天数", "showInfo": "当日排片场次", "showRate": "排片占比", "sumBoxInfo": "综合票房总收入"} # 用于数据分析的主要属性 ? html = requests.get(url, headers=headers).text # 获取页面信息，得到json对象 result = json.loads(html, encoding="utf-8") # 将json对象转为python对象 ? main_data = try: page_data = result # 获取其中可用的数据部分，得到 if isinstance(excel_or_db, openpyxl.worksheet.worksheet.Worksheet): for dt in page_data: # 对页面数据进行循环，匹配main_key中的主要属性，将数据放到main_data中， one_movie_data = {"日期": url} # 先把日期放入字典中 for key in main_key.keys(): one_movie_data] = dt # 将原数据的英文属性名，对照main_key转成中文 excel_or_db.append(list(one_movie_data.values())) main_data.append(one_movie_data) ? elif isinstance(excel_or_db, pymysql.connections.Connection): for dt in page_data: # 对页面数据进行循环，匹配main_key中的主要属性，将数据放到main_data中， one_movie_data = {"日期": url} # 先把日期放入字典中 for key in main_key.keys(): one_movie_data] = dt # 将原数据的英文属性名，对照main_key转成中文 ? cursor = excel_or_db.cursor() sql_insert = '''insert into movies_data15 values(%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s);''' cursor.execute(sql_insert, list(one_movie_data.values())) excel_or_db.commit() cursor.close() main_data.append(one_movie_data) except: pass ? return main_data

因为目标网站数据量较大，为了测试方便，这里写了个函数来限制采集数量：达到设定值则结束采集。

def go_limit(year, *, ws, max_line=float("inf")): # float("inf")为无穷大 """ 测试时用于限制爬取条数 :return: """ num = 1 for url in get_urls(get_calendar(year)): if num <= max_line: print(num, get_movie_data(url, ws)) time.sleep(1) num += 1 else: break

下面是写入excel和写入mysql的函数，写成函数主要是为了看着简洁。

def get_data_and_save_excel(): tittles = workbook = openpyxl.Workbook() # 创建工作簿 worsheet = workbook.active # 获取活跃工作表，即当前默认工作表 worsheet.append(tittles) ? print(go_limit(2011, ws=worsheet, max_line=20)) # 限制输出行数，用于测试 ? # 配置列宽 for index in range(1, len(tittles) + 1): # 将所有列列宽均设为20 worsheet.column_dimensions.width = 20 workbook.save("data.xlsx")

连接数据库，开始采集，写入数据库

这个函数里有一个逻辑错误，能找到问题的小伙伴可以在留言里指出。

还有就是sql里边包含表名称，本函数、get_movie_data()采集函数、以及后面的可视化函数，都用到相同的表名称，如有变动要分别修改，很麻烦，

如果把表名称作为参数传递也很麻烦，每个函数都要传一次，

可以把表名称作为全局变量，用外部耦合解决，用增加耦合度来换省事。

def get_data_save_db(years): """ 数据库表名需要手动在sql中调整，本函数内2处，get_movie_data()函数内1处，3处表名需要保持一致。 """ config = {'host': 'localhost', 'port': 3306, 'user': '***', 'password': '***', 'database': '***', 'charset': 'utf8'} conn = pymysql.connect(**config) # **config是将config字典拆开传入 cursor = conn.cursor() sql_check = '''drop table if exists movies_data15;''' # 判断movies_data表是否存在，存在则drop sql_create = '''create table movies_data15(date varchar(8), avgSeatView varchar(8), avgShowView varchar(8), boxInfo varchar(10), boxRate varchar(8), movieId varchar(10), movieName varchar(30), releaseInfo varchar(8), showInfo varchar(8), showRate varchar(8), sumBoxInfo varchar(8), primary key (date, movieID)) DEFAULT CHARSET=utf8;''' # 创建movies_data表 cursor.execute(sql_check) cursor.execute(sql_create) conn.commit() cursor.close() print(go_limit(years, ws=conn)) # print(get_movie_data('http://pf.maoyan.com/second-box?beginDate=20110403', conn)) conn.close() ? get_data_save_db() # 采集2011年至今的所有数据