# 01、前言 很多电影也上映，看电影前很多人都喜欢去 **『豆瓣』** 看影评，所以我爬取44130条 **『豆瓣』** 的用户观影数据，分析**用户之间**的关系，**电影之间**的联系，以及**用户和电影之间**的隐藏关系。  # 02、爬取观影数据 ## 数据来源 ```python https://movie.douban.com/ ```  在****『豆瓣』****平台爬取用户观影数据。 ## 爬取用户列表 ### 网页分析  为了获取用户，我选择了其中一部电影的影评，这样可以根据评论的用户去获取其用户名称（**后面爬取用户观影记录只需要****『用户名称』******）。 ```ruby https://movie.douban.com/subject/24733428/reviews?start=0 ``` url中start参数是页数（page*20，每一页20条数据），因此start=0、20、40...，也就是**20的倍数**，通过改变start参数值就可以获取这**4614条用户的名称。**  查看网页的标签，可以找到******『用户名称』******值对应的标签属性。 ### 编程实现 ```python i=0 url = "https://movie.douban.com/subject/24733428/reviews?start=" + str(i * 20) r = requests.get(url, headers=headers) r.encoding = 'utf8' s = (r.content) selector = etree.HTML(s) for item in selector.xpath('//*[@class="review-list "]/div'): userid = (item.xpath('.//*[@class="main-hd"]/a[2]/@href'))[0].replace("https://www.douban.com/people/","").replace("/", "") username = (item.xpath('.//*[@class="main-hd"]/a[2]/text()'))[0] print(userid) print(username) print("-----") ```  ## 爬取用户的观影记录 上一步爬取到****『用户名称』****，接着爬取用户观影记录需要用到****『用户名称』。**** ### 网页分析   ```python #https://movie.douban.com/people/{用户名称}/collect?start=15&sort=time&rating=all&filter=all&mode=grid https://movie.douban.com/people/mumudancing/collect?start=15&sort=time&rating=all&filter=all&mode=grid ``` 通过改变****『用户名称』****，可以获取到不同用户的观影记录。 url中start参数是页数（page*15，每一页15条数据），因此start=0、15、30...，也就是**15的倍数**，通过改变start参数值就可以获取这**1768条观影记录称。**  查看网页的标签，可以找到****『电影名』****值对应的标签属性。 ### 编程实现 ```python url = "https://movie.douban.com/people/mumudancing/collect?start=15&sort=time&rating=all&filter=all&mode=grid" r = requests.get(url, headers=headers) r.encoding = 'utf8' s = (r.content) selector = etree.HTML(s) for item in selector.xpath('//*[@class="grid-view"]/div[@class="item"]'): text1 = item.xpath('.//*[@class="title"]/a/em/text()') text2 = item.xpath('.//*[@class="title"]/a/text()') text1 = (text1[0]).replace(" ", "") text2 = (text2[1]).replace(" ", "").replace("\n", "") print(text1+text1) print("-----") ```  ## 保存到excel ### 定义表头 ```python # 初始化execl表 def initexcel(filename): # 创建一个workbook 设置编码 workbook = xlwt.Workbook(encoding='utf-8') # 创建一个worksheet worksheet = workbook.add_sheet('sheet1') workbook.save(str(filename)+'.xls') ##写入表头 value1 = [["用户", "影评"]] book_name_xls = str(filename)+'.xls' write_excel_xls_append(book_name_xls, value1) ``` excel表有两个标题（用户, 影评） ### 写入excel ```python # 写入execl def write_excel_xls_append(path, value): index = len(value) # 获取需要写入数据的行数 workbook = xlrd.open_workbook(path) # 打开工作簿 sheets = workbook.sheet_names() # 获取工作簿中的所有表格 worksheet = workbook.sheet_by_name(sheets[0]) # 获取工作簿中所有表格中的的第一个表格 rows_old = worksheet.nrows # 获取表格中已存在的数据的行数 new_workbook = copy(workbook) # 将xlrd对象拷贝转化为xlwt对象 new_worksheet = new_workbook.get_sheet(0) # 获取转化后工作簿中的第一个表格 for i in range(0, index): for j in range(0, len(value[i])): new_worksheet.write(i+rows_old, j, value[i][j]) # 追加写入数据，注意是从i+rows_old行开始写入 new_workbook.save(path) # 保存工作簿 ``` 定义了写入excel函数，这样爬起每一页数据时候调用写入函数将数据保存到excel中。  最后采集了44130条数据（原本是4614个用户，每个用户大约有500~1000条数据，预计**400万条数据**）。但是为了演示分析过程，只爬取每一个用户的前30条观影记录（**因为前30条是最新的**）。 最后这44130条数据会在**下面分享给大家**。 # 03、数据分析挖掘 ## 读取数据集 ```python def read_excel(): # 打开workbook data = xlrd.open_workbook('豆瓣.xls') # 获取sheet页 table = data.sheet_by_name('sheet1') # 已有内容的行数和列数 nrows = table.nrows datalist=[] for row in range(nrows): temp_list = table.row_values(row) if temp_list[0] != "用户" and temp_list[1] != "影评": data = [] data.append([str(temp_list[0]), str(temp_list[1])]) datalist.append(data) return datalist ```  从豆瓣.xls中读取全部数据放到datalist集合中。 ## 分析1：电影观看次数排行 ```python ###分析1：电影观看次数排行 def analysis1(): dict ={} ###从excel读取数据 movie_data = read_excel() for i in range(0, len(movie_data)): key = str(movie_data[i][0][1]) try: dict[key] = dict[key] +1 except: dict[key]=1 ###从小到大排序 dict = sorted(dict.items(), key=lambda kv: (kv[1], kv[0])) name=[] num=[] for i in range(len(dict)-1,len(dict)-16,-1): print(dict[i]) name.append(((dict[i][0]).split("/"))[0]) num.append(dict[i][1]) plt.figure(figsize=(16, 9)) plt.title('电影观看次数排行(高->低)') plt.bar(name, num, facecolor='lightskyblue', edgecolor='white') plt.savefig('电影观看次数排行.png') ```  ### 分析 1. 由于用户信息来源于 **『心灵奇旅』** 评论，因此其用户观看量最大。 2. 最近的热播电影中，播放量排在第二的是 **『送你一朵小红花』**，信条和拆弹专家2也紧跟其后。 ## 分析2：用户画像（用户观影相同率最高） ```python ###分析2：用户画像（用户观影相同率最高） def analysis2(): dict = {} ###从excel读取数据 movie_data = read_excel() userlist=[] for i in range(0, len(movie_data)): user = str(movie_data[i][0][0]) moive = (str(movie_data[i][0][1]).split("/"))[0] #print(user) #print(moive) try: dict[user] = dict[user]+","+str(moive) except: dict[user] =str(moive) userlist.append(user) num_dict={} # 待画像用户(取第一个） flag_user=userlist[0] movies = (dict[flag_user]).split(",") for i in range(0,len(userlist)): #判断是否是待画像用户 if flag_user != userlist[i]: num_dict[userlist[i]]=0 #待画像用户的所有电影 for j in range(0,len(movies)): #判断当前用户与待画像用户共同电影个数 if movies[j] in dict[userlist[i]]: # 相同加1 num_dict[userlist[i]] = num_dict[userlist[i]]+1 ###从小到大排序 num_dict = sorted(num_dict.items(), key=lambda kv: (kv[1], kv[0])) #用户名称 username = [] #观看相同电影次数 num = [] for i in range(len(num_dict) - 1, len(num_dict) - 9, -1): username.append(num_dict[i][0]) num.append(num_dict[i][1]) plt.figure(figsize=(25, 9)) plt.title('用户画像（用户观影相同率最高）') plt.scatter(username, num, color='r') plt.plot(username, num) plt.savefig('用户画像（用户观影相同率最高）.png') ```  ### 分析 以用户 **『mumudancing』** 为例进行用户画像 1. 从图中可以看出，与用户 **『mumudancing』** 观影相同率最高的是：“请带我回布拉格”，其次是“李校尉”。 2. 用户：'绝命纸牌', '笨小孩', '私享史', '温衡', '沈唐', '修左'，的**观影相同率****相同**。 ## 分析3:用户之间进行电影推荐 ```python ###分析3：用户之间进行电影推荐（与其他用户同时被观看过） def analysis3(): dict = {} ###从excel读取数据 movie_data = read_excel() userlist=[] for i in range(0, len(movie_data)): user = str(movie_data[i][0][0]) moive = (str(movie_data[i][0][1]).split("/"))[0] #print(user) #print(moive) try: dict[user] = dict[user]+","+str(moive) except: dict[user] =str(moive) userlist.append(user) num_dict={} # 待画像用户(取第2个） flag_user=userlist[0] print(flag_user) movies = (dict[flag_user]).split(",") for i in range(0,len(userlist)): #判断是否是待画像用户 if flag_user != userlist[i]: num_dict[userlist[i]]=0 #待画像用户的所有电影 for j in range(0,len(movies)): #判断当前用户与待画像用户共同电影个数 if movies[j] in dict[userlist[i]]: # 相同加1 num_dict[userlist[i]] = num_dict[userlist[i]]+1 ###从小到大排序 num_dict = sorted(num_dict.items(), key=lambda kv: (kv[1], kv[0])) # 去重（用户与观影率最高的用户两者之间重复的电影去掉） user_movies = dict[flag_user] new_movies = dict[num_dict[len(num_dict)-1][0]].split(",") for i in range(0,len(new_movies)): if new_movies[i] not in user_movies: print("给用户（"+str(flag_user)+"）推荐电影："+str(new_movies[i])) ```  ### 分析 以用户 **『mumudancing』** 为例，对用户之间进行**电影推荐** 1. 根据与用户 **『mumudancing』** 观影率最高的用户（A）进行进行关联，然后获取用户（A）的全部观影记录 2. 将用户（A）的观影记录推荐给用户 **『mumudancing』**（去掉两者之间重复的电影）。 ## 分析4:电影之间进行电影推荐 ```python ###分析4：电影之间进行电影推荐（与其他电影同时被观看过） def analysis4(): dict = {} ###从excel读取数据 movie_data = read_excel() userlist=[] for i in range(0, len(movie_data)): user = str(movie_data[i][0][0]) moive = (str(movie_data[i][0][1]).split("/"))[0] try: dict[user] = dict[user]+","+str(moive) except: dict[user] =str(moive) userlist.append(user) movie_list=[] # 待获取推荐的电影 flag_movie = "送你一朵小红花" for i in range(0,len(userlist)): if flag_movie in dict[userlist[i]]: moives = dict[userlist[i]].split(",") for j in range(0,len(moives)): if moives[j] != flag_movie: movie_list.append(moives[j]) data_dict = {} for key in movie_list: data_dict[key] = data_dict.get(key, 0) + 1 ###从小到大排序 data_dict = sorted(data_dict.items(), key=lambda kv: (kv[1], kv[0])) for i in range(len(data_dict) - 1, len(data_dict) -16, -1): print("根据电影"+str(flag_movie)+"]推荐："+str(data_dict[i][0])) ```  ### 分析 以电影 **『送你一朵小红花』** 为例，对电影之间进行**电影推荐** 1. 获取观看过 **『送你一朵小红花』** 的所有用户，接着获取这些用户各自的观影记录。 2. 将这些观影记录进行统计汇总（去掉“****送你一朵小红花****”），然后进行从高到低进行排序，最后可以获取到与电影 **『送你一朵小红花』** **关联度**最高排序的集合。 3. 将**关联度最高**的前15部电影给用户推荐。 # 04、总结 1. 分析爬取豆瓣平台数据**思路**，并**编程实现**。 2. 对爬取的数据进行分析（**电影观看次数排行**、**用户画像**、**用户之间进行电影推荐**、**电影之间进行电影推荐**）