基于python的scrapy框架爬取豆瓣电影及其可视化

时间：2019-03-14 00:48:22 阅读：193 评论：0 收藏：0 [点我收藏+]

标签：配置基于 call info 爬虫 mamicode 必须 EDA res

1.Scrapy框架介绍

技术图片

主要介绍，spiders，engine，scheduler,downloader,Item pipeline

scrapy常见命令如下：

技术图片

对应在scrapy文件中有，自己增加爬虫文件，系统生成items,pipelines,setting的配置文件就这些。

items写需要爬取的属性名，pipelines写一些数据流操作，写入文件，还是导入数据库中。主要爬虫文件写domain，属性名的xpath，在每页添加属性对应的信息等。

    movieRank = scrapy.Field()
    movieName = scrapy.Field()
    Director = scrapy.Field()
    movieDesc = scrapy.Field()
    movieRate = scrapy.Field()
    peopleCount = scrapy.Field()
    movieDate = scrapy.Field()
    movieCountry = scrapy.Field()
    movieCategory = scrapy.Field()
    moviePost = scrapy.Field()

import json

class DoubanPipeline(object):
    def __init__(self):
        self.f = open("douban.json","w",encoding=‘utf-8‘)

    def process_item(self, item, spider):
        content = json.dumps(dict(item),ensure_ascii = False)+"\n"
        self.f.write(content)
        return item

    def close_spider(self,spider):
        self.f.close()

这里xpath使用过程中，安利一个chrome插件xpathHelper。

    allowed_domains = [‘douban.com‘]
    baseURL = "https://movie.douban.com/top250?start="
    offset = 0
    start_urls = [baseURL + str(offset)]


    def parse(self, response):
        node_list = response.xpath("//div[@class=‘item‘]")

        for node in node_list:
            item = DoubanItem()
            item[‘movieName‘] = node.xpath("./div[@class=‘info‘]/div[1]/a/span/text()").extract()[0]
            item[‘movieRank‘] = node.xpath("./div[@class=‘pic‘]/em/text()").extract()[0]
            item[‘Director‘] = node.xpath("./div[@class=‘info‘]/div[@class=‘bd‘]/p[1]/text()[1]").extract()[0]
            if len(node.xpath("./div[@class=‘info‘]/div[@class=‘bd‘]/p[@class=‘quote‘]/span[@class=‘inq‘]/text()")):
                item[‘movieDesc‘] = node.xpath("./div[@class=‘info‘]/div[@class=‘bd‘]/p[@class=‘quote‘]/span[@class=‘inq‘]/text()").extract()[0]
            else:
                item[‘movieDesc‘] = ""
            
            item[‘movieRate‘] = node.xpath("./div[@class=‘info‘]/div[@class=‘bd‘]/div[@class=‘star‘]/span[@class=‘rating_num‘]/text()").extract()[0] 
            item[‘peopleCount‘] = node.xpath("./div[@class=‘info‘]/div[@class=‘bd‘]/div[@class=‘star‘]/span[4]/text()").extract()[0]
            item[‘movieDate‘] = node.xpath("./div[2]/div[2]/p[1]/text()[2]").extract()[0].lstrip().split(‘\xa0/\xa0‘)[0]
            item[‘movieCountry‘] = node.xpath("./div[2]/div[2]/p[1]/text()[2]").extract()[0].lstrip().split(‘\xa0/\xa0‘)[1]
            item[‘movieCategory‘] = node.xpath("./div[2]/div[2]/p[1]/text()[2]").extract()[0].lstrip().split(‘\xa0/\xa0‘)[2]           
            item[‘moviePost‘] = node.xpath("./div[@class=‘pic‘]/a/img/@src").extract()[0]
            yield item

        if self.offset <250:
            self.offset += 25
            url = self.baseURL+str(self.offset)
            yield scrapy.Request(url,callback = self.parse)

这里基本可以爬虫，产生需要的json文件。

接下来是可视化过程。

我们先梳理一下，我们掌握的数据情况。

douban = pd.read_json(‘douban.json‘,lines=True,encoding=‘utf-8‘)
douban.info()

技术图片

基本我们可以分析，电影国家产地，电影拍摄年份，电影类别以及一些导演在TOP250中影响力。

先做个简单了解，可以使用value_counts()函数。

douban = pd.read_json(‘douban.json‘,lines=True,encoding=‘utf-8‘)
df_Country = douban[‘movieCountry‘].copy()

for i in range(len(df_Country)):
    item = df_Country.iloc[i].strip()
    df_Country.iloc[i] = item[0]
print(df_Country.value_counts())

技术图片

美国电影占半壁江山，122/250，可以反映好莱坞电影工业之强大。同样，日本电影和香港电影在中国也有着重要地位。令人意外是，中国大陆地区电影数量不是令人满意。豆瓣影迷对于国内电影还是非常挑剔的。

douban = pd.read_json(‘douban.json‘,lines=True,encoding=‘utf-8‘)
df_Date = douban[‘movieDate‘].copy()

for i in range(len(df_Date)):
    item = df_Date.iloc[i].strip()
    df_Date.iloc[i] = item[2]
print(df_Date.value_counts())

技术图片

2000年以来电影数目在70%以上，考虑10代才过去9年和打分滞后性，总体来说越新的电影越能得到受众喜爱。这可能和豆瓣top250选取机制有关，必须人数在一定数量以上。

douban = pd.read_json(‘douban.json‘,lines=True,encoding=‘utf-8‘)
df_Cate = douban[‘movieCategory‘].copy()

for i in range(len(df_Cate)):
    item = df_Cate.iloc[i].strip()
    df_Cate.iloc[i] = item[0]
print(df_Cate.value_counts())