电影票房数据分析 (一) 数据采集
阅读目录
本文是爬虫及可视化的练习项目,目标是爬取猫眼票房的全部数据并做可视化分析。
1、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
![](https://img2018.cnblogs.com/blog/1845117/201910/1845117-20191023141045716-812626730.png)
再打开获取到的 url:http://pf.maoyan.com/second-box?beginDate=20191022
![](https://img2018.cnblogs.com/blog/1845117/201910/1845117-20191023145448488-914351533.png)
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。
2、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 ['20190101', '20190102'...'20191230', '20191231']。
当然也可以传入多个年份的列表,如 [2016,2017,2018'],返回 ['20160101','20160102', ...'20170101',...'20180101',...'20181231']
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 = [int(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 [2, 4, 6, 9, 11]: 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
3、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["data"]["list"] # 获取其中可用的数据部分,得到 [{电影1数据}, {电影2数据}, ...] 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[-8:]} # 先把日期放入字典中 for key in main_key.keys(): one_movie_data[main_key[key]] = dt[key] # 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[-8:]} # 先把日期放入字典中 for key in main_key.keys(): one_movie_data[main_key[key]] = dt[key] # 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 = ['日期', '上座率', '场均人次', '综合票房', '票房占比', '影片ID', '影片名称', '上映天数', '当日排片场次', '排片占比', '综合票房总收入'] 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[get_column_letter(index)].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([i for i in range(2011,2020)]) # 采集2011年至今的所有数据
至此电影票房的数据采集工作已完成,接下来要进行数据可视化,
本文来自博客园,作者:游走De提莫,转载请注明原文链接:https://www.cnblogs.com/Gaimo/p/16279286.html