爬取豆瓣电影top250提取电影分类进行数据分析

2016-07-09 22:38:00

标签（空格分隔）：python爬虫

一、爬取网页，获取需要内容

我们今天要爬取的是豆瓣电影top250
页面如下所示：

我们需要的是里面的电影分类，通过查看源代码观察可以分析出我们需要的东西。直接进入主题吧！

知道我们需要的内容在哪里了，接下来就使用我们python强大的request库先获取网页内容下来吧！获取内容后，再使用一个好用的lxml库来分析网页内容，然后获取我们的内容就可以做下一步操作了。
先贴出使用request库和lxml分析的代码

def get_page(i):        url = 'https://movie.douban.com/top250?start={}&filter='.format(i)        html = requests.get(url).content.decode('utf-8')    # 使用request库获取网页内容        selector = etree.HTML(html)    # 使用lxml库提取内容        '''            通过观察页面就能发现内容在下的一部分        '''        content = selector.xpath('//div[@class="info"]/div[@class="bd"]/p/text()')        print(content)        for i in content[1::2]:            print(str(i).strip().replace('\n\r', ''))            # print(str(i).split('/'))            i = str(i).split('/')              i = i[len(i) - 1]            key = i.strip().replace('\n', '').split(' ') # 这里的strip和replace的使用目的是去除空格和空行之类            print(key)

通过获取下来的内容我们发现一部电影的各项内容都是用'/'分隔着，我们只需要提取电影分类中的东西，所以我们需要使用

i = str(i).split('/')
来把内容分隔成几项内容，因为电影分类排在最后，所以我们通过

i = i[len(i) - 1]
来获取分隔后的最后一项也就是我们需要的电影分类，还有最后一步我们需要完成的，因为一部电影里面一般都有多个电影分类的标签，所以我们还要继续分隔获取到的电影分类，并且观察可以知道电影分类之间只是用一个空格隔开，所以我们使用下面一行代码就可以分离出各个分类：

key = i.strip().replace('\n', '').split(' ')

二、接下来就是保存到mysql数据库

把电影分类保存在mysql数据库以便下面进行数据分析，这里我们使用到pymysql来连接mysql数据库,首先我们需要在mysql数据库建好表：

然后我们通过pymysql把数据保存到数据库中，代码如下：
首先要连接数据库：

连接mysql数据库

conn = pymysql.connect(host = 'localhost', user = 'root', passwd = '2014081029', db = 'mysql', charset = 'utf8') # user为数据库的名字，passwd为数据库的密码，一般把要把字符集定义为utf8，不然存入数据库容易遇到编码问题
cur = conn.cursor() # 获取操作游标
cur.execute('use douban') # 使用douban这个数据库
在保存到数据库之前，我们还有一个需要做得，那就是把250部电影的分类汇总数量，所以我们定义了一个字典来统计电影分类的个数，这里的代码是get_page函数的一部分,代码如下：

for i in content[1::2]:    print(str(i).strip().replace('\n\r', ''))    # print(str(i).split('/'))    i = str(i).split('/')    i = i[len(i) - 1]    key = i.strip().replace('\n', '').split(' ')    print(key)    for i in key:        if i not in douban.keys():            douban[i] = 1        else:            douban[i] += 1

然后定义一个保存函数，执行插入操作，如果出现插入失败，就执行回滚操作，还有记得在操作完成之后，使用conn.close()和cur.close()来关闭数据库连接,代码如下：

def save_mysql(douban):    print(douban)  # douban在主函数中定义的字典    for key in douban:        print(key)        print(douban[key])        if key != '':            try:                sql = 'insert douban(类别, 数量) value(' + "\'" + key + "\'," + "\'" + str(douban[key]) + "\'" + ');'                cur.execute(sql)                conn.commit()            except:                print('插入失败')                conn.rollback()

三、使用matplotlib进行数据可视化操作

首先，从数据库中把电影分类和每个分类的数量分别存入一个列表中，然后使用matplotlib进行可视化操作，具体如下：

def pylot_show():    sql = 'select * from douban;'      cur.execute(sql)    rows = cur.fetchall()   # 把表中所有字段读取出来    count = []   # 每个分类的数量    category = []  # 分类    for row in rows:        count.append(int(row[2]))           category.append(row[1])    y_pos = np.arange(len(category))    # 定义y轴坐标数    plt.barh(y_pos, count, align='center', alpha=0.4)  # alpha图表的填充不透明度(0~1)之间    plt.yticks(y_pos, category)  # 在y轴上做分类名的标记    for count, y_pos in zip(count, y_pos):        # 分类个数在图中显示的位置，就是那些数字在柱状图尾部显示的数字        plt.text(count, y_pos, count,  horizontalalignment='center', verticalalignment='center', weight='bold')      plt.ylim(+28.0, -1.0) # 可视化范围，相当于规定y轴范围    plt.title(u'豆瓣电影250')   # 图表的标题    plt.ylabel(u'电影分类')     # 图表y轴的标记    plt.subplots_adjust(bottom = 0.15)     plt.xlabel(u'分类出现次数')  # 图表x轴的标记    plt.savefig('douban.png')   # 保存图片

下面说明一下matplotlib的一些简单使用，首先我们要导入matplotlib和numpy的包

import numpy as np
import matplotlib.pyplot as plt
这次可视化是柱状图，这里给出brah()函数的定义：

barh()
主要功能：做一个横向条形图，横向条的矩形大小为: left, left + width, bottom, bottom + height
参数：barh ( bottom , width , height =0.8, left =0, kwargs )
返回类型：一个 class 类别， matplotlib.patches.Rectangle 实例
参数说明：