python爬取近十年中国电影票房数据与分析

Python爬取近十年中国电影票房数据与分析

一、选题背景

Q:为什么选择选择此题？

随着网络的迅速发展，万维网成为大量信息的载体，如何有效地提取并利用这些信息成为一个巨大的挑战。

Q：达到什么预期目标？

爬取中国近10年的电影票房，并数据可视化。

Q：项目背景

“2013年受市场热捧的电影行业其实是个现金流状况很差的行业。中国每年会拍七百多部电影，只有两百多部能够上映，其中票房能够超过五亿的屈指可数。即使赚了五亿的票房“大获成功”的电影，扣除分给院线的一半，再扣除发行费，宣传费，制片方能够拿到手的大概只有2亿多一点。再扣除给编剧、导演、制片和演员的薪酬以及拍摄中的各种成本，最后剩下的净利润可能只有几千万。”

这句话让我对中国的电影市场产生了好奇，想了解一下近年来中国电影市场的发展，于是想爬取近十年的中国电影票房。

二、主题式网络爬虫设计

Q:主题是网络爬虫名称

爬取近十年中国电影票房数据

Q：主题式网络爬虫的内容

爬取中国近10年的电影票房，并实现数据可视化。

Q：设计方案描述

使用 beautifulsoup 里面的 find_all 函数来进行定位，其他 xpath 等方法，都不大行得通。爬取的票房数据要进行预处理，因为票房数据中可能含有中文。

三、主页体面的结构特征分析

这是一个中国电影票房的首页界面

 

 

结构特征

 

结构分析

 

四、网络爬虫程序分析

# 引入库

import pandas as pd

import time

import urllib.request

from lxml.html import fromstring

from bs4 import BeautifulSoup

 

# 下载链接

def download(url):

    print(\'Downloading:\', url)

    request = urllib.request.Request(url)

    request.add_header(\'User-agent\', \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36\') #进行伪装

    resp = urllib.request.urlopen(request)

    html = resp.read().decode(\'utf-8\')

    return html

 

# 待爬取内容

name = []

year = []

Box_office = []

 

# 循环爬取每页内容

for k in range(10):

    movie_year = 2010+k

    url = download(\'http://www.boxofficecn.com/boxoffice{}\'.format(movie_year))

    time.sleep(3)   #间隔3s，防止被封禁

    tree = fromstring(url)

    soup = BeautifulSoup(url)

    length_string = soup.find(\'div\',{\'class\':\'entry-content\'}).p.get_text()

    length = int(re.search(\'[0-9]{1,3}(?=部)\',length_string).group())

    for k in range(length):

        name.append(soup.find_all(\'tbody\')[0].find_all(\'td\')[4*k+2].get_text())

        year.append(movie_year)

        Box_office.append(soup.find_all(\'tbody\')[0].find_all(\'td\')[4*k+3].get_text())

 

# 将list转化为dataframe

name_pd = pd.DataFrame(name)

year_pd = pd.DataFrame(year)

Box_office_pd = pd.DataFrame(Box_office)

 

# 拼接

movie_Box_office_data = pd.concat([name_pd,year_pd,Box_office_pd],axis=1)

movie_Box_office_data.columns=[\'电影\',\'年份\',\'票房\']

 

movie_Box_office_data.head()

 

# 数据预处理

## 提取数字部分

f = lambda x: re.search(\'[0-9]*(\.[0-9]*)?\',x).group()

movie_Box_office_data[\'票房\'] = movie_Box_office_data[\'票房\'].apply(f)

## 缺失值填充为0

empty = movie_Box_office_data[\'票房\'] == \'\'

movie_Box_office_data.loc[empty,\'票房\'] = 0

## 转化成浮点数

movie_Box_office_data[\'票房\'] = movie_Box_office_data[\'票房\'].apply(lambda x: float(x))

 

 

# 输出

outputpath=\'c:/Users/wzj/Desktop/修身/与自己/数据分析/数据分析/爬虫/中国电影票房/movie_box_office.csv\' ## 路径需要自己改！

movie_Box_office_data.to_csv(outputpath,sep=\',\',index=False,header=True,encoding=\'utf_8_sig\')

 

 

 

 

引入库，导入数据

#matplotlib inline

import matplotlib.pyplot as plt

import seaborn

import pandas as pd

import numpy as np

from pylab import *

mpl.rcParams[\'font.sans-serif\'] = [\'SimHei\']

data = pd.read_csv(\'movie_box_office.csv\')

data.head()

 

len(data)

 

 

#十年top10

data.sort_values(by=\'票房\',ascending=False).head(10)

 

data.iloc[2111,2]=142241.3

data.sort_values(by=\'票房\',ascending=False).head(10).plot.bar(x=\'电影\',y=\'票房\',title=\'top 10\')

 

# 年度top5

data[data[\'年份\']==2010].sort_values(by=\'票房\',ascending=False).head(5).plot.bar(x=\'电影\',y=\'票房\',title=\'2010 top 5\')

 

data[data[\'年份\']==2011].sort_values(by=\'票房\',ascending=False).head(5).plot.bar(x=\'电影\',y=\'票房\',title=\'2011 top 5\')

 

data[data[\'年份\']==2012].sort_values(by=\'票房\',ascending=False).head(5).plot.bar(x=\'电影\',y=\'票房\',title=\'2012 top 5\')

 

data[data[\'年份\']==2013].sort_values(by=\'票房\',ascending=False).head(5).plot.bar(x=\'电影\',y=\'票房\',title=\'2013 top 5\')

 

data[data[\'年份\']==2014].sort_values(by=\'票房\',ascending=False).head(5).plot.bar(x=\'电影\',y=\'票房\',title=\'2014 top 5\')

 

data[data[\'年份\']==2015].sort_values(by=\'票房\',ascending=False).head(5).plot.bar(x=\'电影\',y=\'票房\',title=\'2015 top 5\')

 

data[data[\'年份\']==2016].sort_values(by=\'票房\',ascending=False).head(5).plot.bar(x=\'电影\',y=\'票房\',title=\'2016 top 5\')

 

data[data[\'年份\']==2017].sort_values(by=\'票房\',ascending=False).head(5).plot.bar(x=\'电影\',y=\'票房\',title=\'2017 top 5\')

 

data[data[\'年份\']==2018].sort_values(by=\'票房\',ascending=False).head(5).plot.bar(x=\'电影\',y=\'票房\',title=\'2018 top 5\')

 

data[data[\'年份\']==2019].sort_values(by=\'票房\',ascending=False).head(5).plot.bar(x=\'电影\',y=\'票房\',title=\'2019 top 5\')

 

# 每年电影数

groupby_year = data.groupby(\'年份\').size()

groupby_year.plot.bar(title = \'每年电影数\')

 

# 每年总票房

data.groupby(\'年份\')[\'票房\'].sum().plot.bar(title = \'每年总票房\')

 

# 电影票房中的二八原则

data[data[\'年份\']==2019][\'票房\'].plot.hist()

 

data[data[\'年份\']==2018][\'票房\'].plot.hist()

 

percent = []

for k in range(10):

    Boxoffice=  data[data[\'年份\']==(2010+k)][\'票房\']

    q80 = np.percentile(Boxoffice ,80)

    percent.append(Boxoffice[Boxoffice >= q80].sum()/ Boxoffice.sum())

percent

 

五、总结

在学习python爬取近十年中国电影票房数据和分析后，对爬取知识有了一个深的了解，并且实现了数据的可视化。使用BeautifulSoup更加熟练。