我平時喜歡看電影，也會習慣性參考豆瓣電影評分，而豆瓣對於爬蟲愛好者是很友好的，沒有太多反爬措施，對新手是很友好的。
本文將爬取豆瓣電影 TOP 250榜單的資料進行視覺化，主要用了 BeautifulSoup, pandas , Matplotlib 等資料分析常用的庫。
資料爬取
首先開啟頁面，進入除錯模式，我們會看到如下頁面：
如圖所示，我們可以很直觀的看到資料，圖示資訊就是我們本次要爬取的資訊。
接下來，點選頁面最下面的翻頁，我們注意到第 2 頁的地址為：movie.douban.com/top250?star… 第 3 頁的地址為：movie.douban.com/top250?star…
不難發現其規律,那就開始寫程式碼吧。
import os
import matplotlib.pyplot as plt
import pandas as pd
import requests
from bs4 import BeautifulSoup
def movies_spider():
records = []
for start in (range(250)[::25]):
url = f"https://movie.douban.com/top250?start={start}"
response = requests.get(url).text
soup = BeautifulSoup(response, 'html.parser')
movie_list = soup.find_all(class_='item')
for item in movie_list:
rank = int(item.find('em').string) # 排名
pic = item.find(class_='pic')
href = pic.find('a')['href'] # 連結
info = item.find(class_='info')
name = info.find(class_='title').string # 電影名稱
rating_num = info.find(class_='rating_num').string # 評分
total = info.find(
class_='rating_num').find_next_sibling().find_next_sibling().string[:-3] # 評價人數
inq = info.find(class_='inq') # 簡評
try:
quote = inq.get_text()
except AttributeError:
quote = None
print("Type error")
bd_div = item.find(class_='bd')
infos = bd_div.find('p').get_text().strip().split('\n')
# infos = ['導演: 弗蘭克·德拉邦特 Frank Darabont\xa0\xa0\xa0主演: 蒂姆·羅賓斯 Tim Robbins /...',
# ' 1994\xa0/\xa0美國\xa0/\xa0犯罪 劇情']
info1 = infos[0].split('\xa0\xa0\xa0')
director = info1[0][4:] # 導演
info2 = infos[1].lstrip().split('\xa0/\xa0')
year = info2[0][:4]
area = info2[1]
movie_type = info2[2]
movie = {
'rank': rank,
'name': name,
'director': director,
'year': year,
'area': area,
'type': movie_type,
'rating_num': rating_num,
'comment_num': total,
'quote': quote,
'url': href
}
records.append(movie)
return records
複製程式碼程式碼配合前面的原始碼，還是很好理解的，接下來先將資料儲存為 csv 檔案，然後再利用 pandas 分析處理
headers = ['rank', 'name', 'director', 'year', 'area', 'type', 'rating_num', 'comment_num',
'quote', 'url']
df = pd.DataFrame(rows, columns=headers)
df.to_csv('top250.csv')
複製程式碼我們來看一下資料：
資料分析和視覺化
國家地區
先分析製片的國家地區，可以看到，有的電影不止一個國家地區，比如霸王別姬的製片國家地區是：中國大陸 香港，因此我們可以用 split 進行處理
area_split = df['area'].str.split(' ').apply(pd.Series)
複製程式碼可以看到電影最多有5個國家地區，我們進行統計，求和，最後繪圖
a = area_split.apply(pd.value_counts)
area_count = a.sum(axis=1)
area_df = pd.DataFrame(area_count, columns=['count'], dtype=int).sort_values(by='count')
area_df.plot.barh()
複製程式碼
美國以 144 部遙遙領先，香港 25 部排名第 4，中國大陸 17 部位居第 7
-
美國：144
-
日本：34
-
英國：34
-
香港：25
-
法國：21
電影型別
我們以同樣的方法分析分析電影型別
劇情片 191 部同樣遙遙領先，愛情、冒險、喜劇和犯罪，也是大家喜歡的型別。
-
劇情：192
-
愛情：57
-
冒險：47
-
喜劇：47
-
犯罪：44
導演
前5的導演是：
-
克里斯托弗·諾蘭：7
-
宮崎駿：6
-
王家衛：5
-
史蒂文·斯皮爾伯格：5
-
李安：5
這幾位導演真是實至名歸
評分
首先看一下排名前 10 的電影
| 排名 | 電影 | 評分 |
|---|---|---|
| 1 | 肖申克的救贖 | 9.6 |
| 33 | 控方證人 | 9.6 |
| 2 | 霸王別姬 | 9.6 |
| 5 | 美麗人生 | 9.5 |
| 8 | 辛德勒的名單 | 9.5 |
| 3 | 這個殺手不太冷 | 9.4 |
| 4 | 阿甘正傳 | 9.4 |
| 32 | 十二怒漢 | 9.4 |
| 14 | 放牛班的春天 | 9.3 |
| 217 | 城市之光 | 9.3 |
注意到《城市之光》以 9.3 分排名 217，那麼我們就會有疑問，評分與排名之間有什麼關係呢，我們通過繪製散點圖和直方圖來分析
df.plot.scatter(x='rating_num', y='rank')
plt.title('評分與排名關係')
plt.xlabel('評分')
plt.ylabel('排名')
plt.gca().invert_yaxis()
df['rating_num'].plot.hist(bins=10, rwidth=0.9)
plt.title('評分分佈')
複製程式碼
從上圖分析，隨著評分升高，排名也基本靠前，評分主要集中在 8.4~9.2 之間。同時可以通過 pandas 計算平均數，眾數和相關係數，平均分為 8.83 分，眾數為 8.7 分，而相關係數為 -0.6882，評分與排名強相關。
評價人數
評價人數前 10 電影
用之前同樣的方法，我們來分析評價人數的分佈情況以及評價人數和排名之間的關係
與評分不同的是，隨著評價人數的增多，電影排名有提前的趨勢，評價人數主要分佈在 10w-50w 之間，平均值為 34.36w，相關係數為 -0.6865，評價人數與排名強相關。
年份
電影主要集中在 1990 年以後，相關係數為 0.0173，年份與排名沒有相關性。
最早的電影是在 1931 年，卓別林的《城市之光》
最近的電影是在 2017 年，三部
-
《請以你的名字呼喚我》：117
-
《三塊廣告牌》：191
-
《尋夢環遊記》：63
電影數量前三的年份分別是：
-
2010：14
-
2004：12
-
1994：11
沒想到貢獻了三部前 5 的電影大年 1994 也只能屈居第 3 位，最後我們來看看貢獻數量最多的 2010 年都有哪些佳作
| 排名 | 電影 |
|---|---|
| 9 | 盜夢空間 |
| 24 | 怦然心動 |
| 68 | 讓子彈飛 |
| 86 | 禁閉島 |
| 99 | 告白 |
| 118 | 馴龍高手 |
| 123 | 神偷奶爸 |
| 125 | 借東西的小人阿莉埃蒂 |
| 128 | 歲月神偷 |
| 142 | 黑天鵝 |
| 155 | 玩具總動員3 |
| 163 | 你看起來好像很好吃 |
| 214 | 初戀這件小事 |
| 237 | 國王的演講 |
結語
本文僅對資料進行簡單的爬取分析和視覺化，目的在於學習這些庫的基本使用，你還可以進行深度挖掘分析，比如可以進一步分析評價人數，評分，排名的關係，分析演員，語言以及時長等等，一個好的思路可能比技術更重要。
最後上一個 TOP250 全家福
願你在電影中遇見另一個世界
願你在編碼中感受學習的快樂
如果你對 Python 開發以及全棧工程師感興趣，歡迎關注微信公眾號，這裡不止 Python 哦
