300字范文 > 【毕业设计】大数据电影数据分析可视化系统 - python 爬虫

【毕业设计】大数据电影数据分析可视化系统 - python 爬虫

时间：2023-07-23 01:55:56

文章目录

0 前言1 课题背景2 项目效果展示2.1 主界面展示2.2电影数据查询2.3可视化展示3 数据爬取3.1 Requests3.2 bs43.3 MySQL数据库4 可视化技术4.1 Flask4.2 ECharts4.3 补充：不做成web系统5 最后

0 前言

🔥 Hi，大家好，这里是丹成学长的毕设系列文章！

🔥 对毕设有任何疑问都可以问学长哦!

这两年开始，各个学校对毕设的要求越来越高，难度也越来越大… 毕业设计耗费时间，耗费精力，甚至有些题目即使是专业的老师或者硕士生也需要很长时间，所以一旦发现问题，一定要提前准备，避免到后面措手不及，草草了事。

为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的新项目是

🚩基于大数据的电影数据爬取分析可视化系统

🥇学长这里给一个题目综合评分(每项满分5分)

难度系数：4分工作量：4分创新点：3分

🧿选题指导, 项目分享：

/yaa-dc/BJH/blob/master/gg/cc/README.md

1 课题背景

随着互联网的快速发展，越来越多的人喜欢在微博、知乎、豆瓣等社交网站上发表自己对某些事物的想法、态度或意见。用户同时也会将自己购买的产品或体验到的服务，在这些社区式的网站上评价，这样通常会带动他人也前去购买或体验，形成口碑效应。

社交应用及网站上有源源不断的信息发布，这些信息中隐含着大量对我们及企业有收集价值的资源。就像用户评分和评价系统中，用户不但会对作品进行评比，还分享和传播了作品信息。如果能够获取这些数据并对其进行分析，可以让人们挑选到满意的书籍、选择出一部精彩的电影，也可以帮助企业改进产品的服务等。使用爬虫程序可以高效地对社交网站上的信息进行收集、组织和管理。豆瓣网作为社交网站的代表，提供了在图书、电影和音乐等方面独树一帜的评分、推荐及比价体系，在社交网络中产生了深远的影响。

2 项目效果展示

2.1 主界面展示

2.2电影数据查询

管理员可对电影数据进行查询，可根据“最低评分”，“最高评分”，“上映年份”，“电影类型”，“上映地区”，“影名关键字”等标签进行筛选、查询。

2.3可视化展示

电影类型矩形图：可以清楚的看到剧情，纪录片，喜剧类型的电影所占比重较大。上映年份漏斗图：可以看到中国、美国上映地区较多。上映年份分布、电影评分分布图。时间轴图：可随年份动态变化效果。地区类型分布饼状图频数统计词云图：可根据主演、导演、编剧和电影排名生成相应的词云图

3 数据爬取

3.1 Requests

requests是Python用于网络请求的第三库，也是爬虫获取网络数据的重要工具，使用的时候需要导入

本项目中相关代码：

import requestsfrom bs4 import BeautifulSoupfrom lxml import htmletree = html.etreeimport csv# 请求头headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"}hrefs = []# 爬取豆瓣电影TOP250的url# 获取电影详情页urldef get_film_url(url):try:r = requests.get(url, headers=headers)selector = etree.HTML(r.text)movie_hrefs = selector.xpath('//div[@class="hd"]/a/@href') # 电影的详情地址for i in range(0, len(movie_hrefs)):hrefs.append(movie_hrefs[i])except Exception as e:print(e)# 保存电影链接urldef save_url():try:# 获取链接for href in hrefs:# 存入csvfile_path = "./豆瓣电影TOP250链接.csv"with open(file_path, "a+", newline='', encoding='gb18030') as csvfile:writer = csv.writer(csvfile)writer.writerow([href])except Exception as e:print(e)def main():# 爬取豆瓣电影TOP250的urlfor i in range(0, 250, 25):url = "/top250?start=" + str(i) + ""get_film_url(url)save_url()if __name__ == '__main__':main()

3.2 bs4

bs4即BeautifulSoup，是python种的一个库，最主要的内容就是从网页中抓取数据。

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。

Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

3.3 MySQL数据库

利用Pymysql，将爬取到的数据存入数据库中，相关代码如下：

# 打开数据库连接conn = pymysql.connect(host='127.0.0.1', port=3306, user='root', passwd='123456', db='douban', charset='utf8')# 使用cursor方法创建一个游标cursor = conn.cursor()# # 执行sql语句# query = 'insert into tb_film(url, filmname, score, showtime, genres, areas, mins, directors, scriptwriters, actors, comments) values(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)'query = 'insert into tb_film(url, filmname, score, showtime, genres, areas, directors, scriptwriters, actors, comments) values(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)'values = (url, filmname, score, showtime, genres_list, area_list, directors_list, scriptwriters_list,actors_list,comment)cursor.execute(query, values)# 提交之前的操作，如果之前已经执行多次的execute，那么就都进行提交mit()

4 可视化技术

4.1 Flask

Flask是一个基于Werkzeug和Jinja2的轻量级Web应用程序框架。与其他同类型框架相比，Flask的灵活性、轻便性和安全性更高，而且容易上手，它可以与MVC模式很好地结合进行开发。Flask也有强大的定制性，开发者可以依据实际需要增加相应的功能，在实现丰富的功能和扩展的同时能够保证核心功能的简单。Flask丰富的插件库能够让用户实现网站定制的个性化，从而开发出功能强大的网站。

本项目在Flask开发后端时，前端请求会遇到跨域的问题，解决该问题有修改数据类型为jsonp，采用GET方法，或者在Flask端加上响应头等方式，在此使用安装Flask-CORS库的方式解决跨域问题。此外需要安装请求库axios。

部分相关代码：

from flask import Flaskfrom flask import request, redirectfrom flask import render_template, url_forfrom flask_paginate import Paginationfrom sqlalchemy import create_engine,Column,Integer,SmallInteger,Stringfrom sqlalchemy import create_enginefrom sqlalchemy.orm import sessionmakerfrom sqlalchemy.ext.declarative import declarative_basefrom flask_sqlalchemy import SQLAlchemydb = SQLAlchemy()from list_data import select_score, select_showtime, select_genres, select_areas, film_datafrom genres import show_genresfrom areas import show_areasfrom showtime import show_showtimefrom score import show_scorefrom timeline_score import show_score_topfrom timeline_comment import show_comment_topfrom select_showtime import select_showtimefrom select_showtime import showtime_groupfrom film_search import film_searchapp = Flask(__name__)app.jinja_env.auto_reload = Trueapp.config['TEMPLATES_AUTO_RELOAD'] = True#初始化数据库连接engine = create_engine("mysql+pymysql://root:123456@localhost:3306/douban?charset=utf8",echo = True)#创建缓存对象Session =sessionmaker(bind=engine)session =Session#声明基类Base = declarative_base()#定义Film对象#基于这个基类来创建我们的自定义类，一个类就是一个数据库表；class Film(Base):#表的名字__tablename__= 'tb_film'#表的结构id = Column(Integer,primary_key=True,autoincrement=True)url =Column(String(250))filmname =Column(String(50))score =Column(String)comments =Column(Integer)showtime =Column(Integer)genres =Column(String(20))areas =Column(String(20))actors =Column(String(50))directors =Column(String(50))scriptwriters =Column(String(50))@app.route('/')def index():# return render_template('pages/echarts/e1.html')# return render_template('index.html')return render_template('login.html')@app.route('/register')def register():# return render_template('pages/echarts/e1.html')# return render_template('index.html')return render_template('register.html')@app.route('/index')def welcom2index():# return render_template('pages/echarts/e1.html')return render_template('index.html')# return render_template('login.html')@app.route('/welcome')def welcome():print('done')return render_template('pages/welcome.html')@app.route("/page_none")def page_none():return render_template('page_none')# 验证用户名和密码@app.route('/login', methods=['POST'])#@app.route('/index')def login():print(request.form['username'])# 需要从request对象读取表单内容：if request.form['username'] == 'admin' and request.form['password'] == '123456':return render_template('index.html')# 表单list@app.route("/list")@app.route("/list/")def list(limit=10):# 列表属性t_low = select_score()[0]t_high = select_score()[1]t_showtime = select_showtime()t_genres = select_genres()t_areas = select_areas()# 分页# limit = 15page = int(request.args.get("page", 1))start = (page - 1) * limitif request.args.get("low") or request.args.get("high") or request.args.get("showtime") or request.args.get("areas") or request.args.get("genres") or request.args.get("filmname"):# 参数选择r_low = request.args.get("low")r_high = request.args.get("high")r_showtime = request.args.get("showtime")r_genres = request.args.get("genres")r_areas = request.args.get("areas")r_filmname = request.args.get("filmname")# 返回数据print("参数：{},{},{},{},{}".format(r_low, r_high, r_showtime, r_genres, r_areas,r_filmname))print("参数1：{}".format(type(r_low)))print("参数2：{}".format(len(r_low)))r_films = film_data(low=r_low, high=r_high, showtime=r_showtime, genres=r_genres, areas=r_areas, filmname=r_filmname)[0]r_row = film_data(low=r_low, high=r_high, showtime=r_showtime, genres=r_genres, areas=r_areas, filmname=r_filmname)[1]# 分页r_end = page * limit if r_row > page * limit else r_rowr_paginate = Pagination(page=page, total=r_row)r_ret = r_films[start:r_end]return render_template('pages/order/list.html', low=t_low, high=t_high, showtime=t_showtime, genres=t_genres,areas=t_areas, films=r_ret, row=r_row,paginate=r_paginate)else:# 返回数据films = film_data()[0]row = film_data()[1]end = page * limit if row > page * limit else rowpaginate = Pagination(page=page, total=row)ret=films[start:end]print("res:{}".format(ret))return render_template('pages/order/list.html', low=t_low, high=t_high, showtime=t_showtime, genres=t_genres,areas=t_areas, films=ret,row=row, paginate=paginate)

4.2 ECharts

ECharts（Enterprise Charts）是百度开源的数据可视化工具，底层依赖轻量级Canvas库ZRender。兼容了几乎全部常用浏览器的特点，使它可广泛用于PC客户端和手机客户端。ECharts能辅助开发者整合用户数据，创新性的完成个性化设置可视化图表。支持折线图（区域图）、柱状图（条状图）、散点图（气泡图）、K线图、饼图（环形图）等，通过导入 js 库在 Java Web 项目上运行。

数据预览

import pandas as pdimport json# =============================================加载数据===================================# 加载数据 --creditscredits = pd.read_csv('./tmdb_5000_credits.csv')print('credits:\n', credits)print('*' * 100)print('credits:\n', credits.columns)print('*' * 100)print('credits:\n', credits.info())print('*' * 100)# 加载数据movies = pd.read_csv('./tmdb_5000_movies.csv')print('movies:\n', movies)print('#' * 100)print('movies:\n', movies.columns)print('#' * 100)print('movies:\n', movies.info())print('#' * 100)

合并数据集

先将 credits 数据集和 movie 数据集中的数据合并在一起，再查看合并后的数据集信息

代码实现：

# （1）合并数据# print(credits['crew'])# credits 中存在 movie_id 和 title# movies 中存在 id 和 title# 将 credits 中的 movie_id 修改为 idcredits.rename(columns={'movie_id': 'id'}, inplace=True)# print('credits的列索引：\n', credits.columns)# 主键合并 ---on id 和 titleall_data = pd.merge(left=credits, right=movies, on=['id', 'title'], how='outer')print('all_data:\n', all_data)print('all_data:\n', all_data.columns)print('all_data:\n', all_data.dtypes)

选取子集

由于数据集中包含的信息过多，其中部分数据并不是我们研究的重点，所以从中选取我们需要的数据：

代码实现：

# 筛选特征all_data = all_data['original_title', 'crew', 'release_date', 'genres', 'keywords','production_companies', 'production_countries', 'revenue','budget', 'runtime', 'vote_average']print('all_data的列索引：\n', all_data.columns)print('all_data的形状：\n', all_data.shape)

由于后面的数据分析涉及到电影类型的利润计算，先求出每部电影的利润，并在数据集 data 中增加 profit 数据列

代码实现：

# 增加利润all_data['profit'] = all_data['revenue'] - all_data['budget']print('all_data的列索引：\n', all_data)print('all_data的形状：\n', all_data)

缺失值处理

代码实现：

# 检测缺失值# pd.isnull + sumres_null = pd.isnull(all_data).sum()print('缺失值检测结果：\n', res_null)# 检测到 release_date 存在一个缺失值 ---针对方式：填充，查找具体的电影名称，根据电影名称查找上映时间# a、确定bool数组mask = all_data.loc[:, 'release_date'].isnull()# b、根据bool数组来获取缺失值位置的电影名称movie_name = all_data.loc[mask, 'title']print('缺失上映日期的电影名称为：\n', movie_name)# 缺失上映日期的电影名称为：# 4553 America Is Still the Place# Name: title, dtype: object# 通过上网查询该电影的上映日期为：-06-01# c 、填充all_data.loc[mask, 'release_date'] = '-06-01'# 将 release_date 转化为 pandas支持的时间序列all_data.loc[:, 'release_date'] = pd.to_datetime(all_data.loc[:, 'release_date'])# 获取发行年份all_data.loc[:, 'release_year'] = all_data.loc[:, 'release_date'].dt.year

通过上面的结果信息可以知道：整个数据集缺失的数据比较少。其中 release_date（首次上映日期）缺失 1 个数据,可以通过网上查询补齐这个数据，填补 release_date（首次上映日期）数据

数据格式转换

genres 列数据处理：

代码实现：

# 查看电影风格数据print('电影风格：\n', all_data.loc[:, 'genres']) # json数据类型# json.loads # 可以将json转化为python类型# 将 all_data.loc[:, 'genres'] 由 json类型转化为 python类型all_data.loc[:, 'genres'] = all_data.loc[:, 'genres'].transform(json.loads)# 构建所有的电影的类型all_movie_type = set()# 定义一个函数，来提取电影类型def get_movie_type(val):"""获取电影类型:param val: 数据:return: 提取之后的电影类型数据"""# 构建一个空列表，用来存储每一个电影的电影类型type_list = []# 遍历列表for item in val:# 如果item存在if item:# 获取该电影的电影类型movie_type = item['name']# 将其加入到 type_listtype_list.append(movie_type)# 将其加入到 all_movie_typeall_movie_type.add(movie_type)return ','.join(type_list)# 调用all_data.loc[:, 'genres'] = all_data.loc[:, 'genres'].transform(get_movie_type)print('获取电影类型之后的结果：\n', all_data.loc[:, 'genres'])# 将所有的电影类型转化为 listall_movie_type = list(all_movie_type)# 遍历for column in all_movie_type:# 先增加all_data.loc[:, column] = 0# 构建bool数组mask = all_data.loc[:, 'genres'].str.contains(column)# 修改all_data.loc[mask, column] = 1print('all_data:\n', all_data)

数据可视化

绘制电影数据类型随时间变化趋势图

import matplotlib.pyplot as plt# 创建画布plt.figure()# 默认不支持中文 ---修改RC参数plt.rcParams['font.sans-serif'] = 'SimHei'# 增加字体之后变得不支持负号，需要修改RC参数让其继续支持负号plt.rcParams['axes.unicode_minus'] = False# 构建横轴数据x = groupby_year.indexfor movie_type in groupby_year.columns:# 构建纵轴数据y = groupby_year[movie_type]# 绘制折线图plt.plot(x, y)# 增加标题plt.title('电影数据类型随时间变化趋势图')# 设置图例plt.legend(groupby_year.columns, fontsize='x-small')# 设置纵轴名称plt.ylabel('数量')# 设置横轴名称plt.xlabel('年份')# 增加网络曲线plt.grid(b=True, alpha=0.2)# 保存图片plt.savefig('./电影数据类型随时间变化')# 展示plt.show()

分析结论：从图中观察到，随着时间的推移，所有电影类型都呈现出增长趋势，尤其是 1992 年以后各个类型的电影均增长迅速，其中 Drama(戏剧)和 Comedy(喜剧)增长最快，目前仍是最热门的电影类型

绘制各种类型电影数量的统计柱状图

绘制各种电影类型的占比饼图

电影类型平均利润数据可视化

# 可视化 ---比各种电影类型的平均利润 ---柱状图# Pyecharts# 实例化对象bar = Bar(# 初始化配置init_opts=opts.InitOpts(width='900px',height='600px',theme="white"))# 添加数据bar.add_xaxis(xaxis_data=res_series.index.tolist())bar.add_yaxis(series_name=' ',yaxis_data=[float('%.2f' % i) for i in (res_series / 1000000)],color='#6495ED')# 设置全局配置bar.set_global_opts(# 标题title_opts=opts.TitleOpts(title='各种电影类型利润统计柱状图',# subtitle='广州分校Python0421班级'pos_left='center',pos_top='3%'),# 图例legend_opts=opts.LegendOpts(is_show=False,),# 横轴坐标设置xaxis_opts=opts.AxisOpts(name='利润(百万)'),# # 坐标系设置yaxis_opts=opts.AxisOpts(name='电影类型'))# 设置系列配置bar.set_series_opts(label_opts=opts.LabelOpts(is_show=True,position='right',color='#000000',formatter='{c}'))# 反转坐标轴bar.reversal_axis()# 生成文件bar.render('./各种电影类型利润统计柱状图.html')

分析结论：

从图中观察到，拍摄 Animation、Adventure、Fantasy 这三类电影盈利最好，而拍摄 Foreign、TV Movie 这两类电影会存在亏本的风险