故事青年 发表于 2024-5-19 16:08:25

【开源】2024最新python豆瓣电影数据爬虫+可视化分析项目

项目介绍

【开源】项目基于python+pandas+flask+mysql等技术实现豆瓣电影数据获取及可视化分析展示,觉得有用的朋友可以来个一键三连,感谢!!!
项目演示

项目截图


[*]首页
https://img-blog.csdnimg.cn/direct/f921f667054f478ca6c25310add51fe7.png#pic_center
[*]列表页
https://img-blog.csdnimg.cn/direct/84163a4a0541483496e451c314f5f6fc.png#pic_center
[*]爬虫演示
https://img-blog.csdnimg.cn/direct/e9c502194dc34d1fa51e268aad81c434.png
项目地址

https://github.com/mudfish/python-douban-view
项目结构

https://img-blog.csdnimg.cn/direct/a5e573d07f77482890dc89c2c88e86dc.png
核心模块

电影爬虫

"""
异步并发爬虫
"""

# 本次运行获取的最大页数
MAX_PAGES = 5
# 进度控制文件
PAGE_PROGRESS_FILE = "page_progress.json"
# 电影类型
MOVIE_TYPES = ["剧情", "喜剧", "动作", "爱情", "科幻", "动画"]
# CSV文件名
CSV_NAME = "movie_data.csv"
# CSV头
CSV_HEADS = [
    "id",
    "movie_id",
    "title",
    "year",
    "directors",
    "casts",
    "rating",
    "cover",
    "country",
    "summary",
    "types",
    "lang",
    "release_date",
    "time",
    "url",
]
# 上映日期匹配正则,剔除非数字和-
RELEASE_DATE_REMOVE_RE = r"[^0-9-]"

engine = create_engine("mysql+pymysql://root:123456@127.0.0.1:3306/db_douban")


def get_id():
    return str(random.randint(1, 100000000)) + str(time.time()).split(".").strip()


class Spider:
    def __init__(self):
      self.movie_page_url = "https://m.douban.com/rexxar/api/v2/movie/recommend?"
      self.movie_detail_url = "https://movie.douban.com/subject/{}/"
      self.headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36",
            "Referer": "https://movie.douban.com/explore",
      }
      self.movie_types = MOVIE_TYPES
      self.page_progress = {}
      # 需要抓取的页面数
      self.total_pages = 0
      self.completed_pages = 0
      self.global_progress_bar = None

    def init(self):
      # 每次跑之前,先删除之前的csv文件
      if os.path.exists(CSV_NAME):
            os.remove(CSV_NAME)
      with open(CSV_NAME, "w", newline="", encoding="utf-8") as writer_f:
            writer = csv.writer(writer_f)
            writer.writerow(CSV_HEADS)

    def load_page_progress(self):
      if os.path.exists(PAGE_PROGRESS_FILE):
            with open(PAGE_PROGRESS_FILE, "r", encoding="utf-8") as f:
                # 判断文件内容是否为空
                if os.stat(PAGE_PROGRESS_FILE).st_size == 0:
                  # 初始化页面进度
                  print("初始化页面进度")
                  self.page_progress = {}
                  self.save_page_progress()
                else:
                  self.page_progress = json.load(f)

    def save_page_progress(self):
      with open(PAGE_PROGRESS_FILE, "w", encoding="utf-8") as f:
            json.dump(self.page_progress, f, ensure_ascii=False)

    async def get_movie_pages(self, session, type_name):
      start_page = self.page_progress.get(type_name, 1)
      if start_page <= MAX_PAGES:
            for page in range(start_page, MAX_PAGES + 1):
                # print(f'{type_name}第{page}页:')
                start_time = time.time()
                params = {"start": (page - 1) * 20, "count": 10, "tags": type_name}
                try:
                  async with session.get(
                        self.movie_page_url, headers=self.headers, params=params
                  ) as resp:
                        resp.raise_for_status()
                        respJson = await resp.json()
                        movie_list = respJson["items"]
                        for i, m in enumerate(movie_list):
                            if m["type"] == "movie":
                              await self.process_movie(session, m)
                              # progress_bar.update(round(1/len(movie_list)))
                        self.page_progress = page + 1
                        # 记录进度
                        self.save_page_progress()
                        # 刷新全局进度
                        self.update_global_progress()
                except Exception as e:
                  print(f"处理:{type_name}第{page}页失败: {e}")
                  traceback.print_exc()
                  continue

    async def process_movie(self, session, movie):
      movie_data = []
      movie_data.append(get_id())
      movie_data.append(movie["id"])
      movie_data.append(movie["title"])
      movie_data.append(movie["year"])
      async with session.get(
            self.movie_detail_url.format(movie["id"]), headers=self.headers
      ) as resp:
            resp.raise_for_status()
            html_text = await resp.text()
      path = etree.HTML(html_text)
      # 导演
      movie_data.append(",".join(path.xpath('//a[@rel="v:directedBy"]/text()')))
      # 主演
      movie_data.append(",".join(path.xpath('//a[@rel="v:starring"]/text()')))
      # 评分
      movie_data.append(path.xpath('//strong[@property="v:average"]/text()'))
      # 封面
      movie_data.append(path.xpath('//img[@rel="v:image"]/@src'))
      # 国家
      movie_data.append(
            path.xpath(
                '//span/following-sibling::br/preceding-sibling::text()'
            ).replace(" / ", ",")
      )
      # 摘要
      movie_data.append(path.xpath('//span[@property="v:summary"]/text()').strip())
      # 类型
      movie_data.append(
            ",".join(path.xpath('//div[@id="info"]/span[@property="v:genre"]/text()'))
      )
      # 语言
      movie_data.append(
            path.xpath(
                '//span/following-sibling::br/preceding-sibling::text()'
            )
      )
      # 上映日期
      movie_data.append(
            re.sub(
                RELEASE_DATE_REMOVE_RE,
                "",
                path.xpath('//span[@property="v:initialReleaseDate"]/text()')[:10],
            )
      )
      # 时长(空处理)
      # print(movie["id"])
      movie_time = path.xpath('//span[@property="v:runtime"]/text()')
      if len(movie_time) > 0:
            movie_data.append(movie_time)
      else:
            movie_data.append("")
      # url
      movie_data.append(self.movie_detail_url.format(movie["id"]))
      self.save_to_csv(movie_data)

    def save_to_csv(self, row):
      with open(CSV_NAME, "a", newline="", encoding="utf-8") as f:
            writer = csv.writer(f)
            writer.writerow(row)

    def clean_csv(self):
      print("===========清理数据============")
      df = pd.read_csv(CSV_NAME, encoding="utf-8")
      df.drop_duplicates(subset=["movie_id"], keep="first", inplace=True)
      print("存储到数据库...")
      df.to_sql("tb_movie", con=engine, index=False, if_exists="append")
      print("清理重复数据...")
      engine.connect().execute(
            text(
                "delete t1 from tb_movie t1 inner join (select min(id) as id,movie_id from tb_movie group by movie_id having count(*) > 1) t2 on t1.movie_id=t2.movie_id where t1.id>t2.id"
            )
      )

    def update_global_progress(self):
      self.completed_pages += 1
      # print(self.completed_pages)
      self.global_progress_bar.update(1)
      self.global_progress_bar.refresh()

    async def run(self):
      self.init()
      self.load_page_progress()
      # self.total_pages = MAX_PAGES*len(MOVIE_TYPES) - sum(self.page_progress.get(type_name, 1) for type_name in MOVIE_TYPES)
      for type_name in MOVIE_TYPES:
            if MAX_PAGES > self.page_progress.get(type_name, 1):
                self.total_pages += MAX_PAGES + 1 - self.page_progress.get(type_name, 1)
      print(self.total_pages)
      if self.total_pages > 0:
            self.global_progress_bar = tqdm(
                total=self.total_pages, desc="progress", unit="page", colour="GREEN"
            )

            async with aiohttp.ClientSession() as session:
                tasks = [
                  self.get_movie_pages(session, type_name)
                  for type_name in self.movie_types
                ]
                await asyncio.gather(*tasks)
            # 请求结束后,清空页面进度
            # self.page_progress = {}
            # self.save_page_progress()
            self.global_progress_bar.close()
            self.clean_csv()


if __name__ == "__main__":
    loop = asyncio.get_event_loop()
    spider = Spider()
    loop.run_until_complete(spider.run())电影可视化

接口代码

from flask import Flask, render_template, request, redirect, url_for, session
from utils import db_query


app = Flask(__name__)
app.secret_key = "mysessionkey"


# 统一请求拦截
@app.before_request
def before_request():
    # 利用正则匹配,如果/static开头和/login, /logout,/register的请求,则不拦截;其他的判断是否已登录
    if (
      request.path.startswith("/static")
      or request.path == "/login"
      or request.path == "/logout"
      or request.path == "/register"
    ):
      return
    # 如果没有登录,则跳转到登录页面
    if not session.get("login_username"):
      return redirect(url_for("login"))


# 首页
@app.route("/")
def index():
    # 获取电影统计数据
    movie_stats = db_query.fetch_movie_statistics()
    # 获取电影分类统计
    movie_type_distribution = db_query.fetch_movie_type_distribution()
    # 获取电影评分统计
    movie_rating_distribution = db_query.fetch_movie_rating_distribution()
    print(movie_rating_distribution)
    return render_template(
      "index.html",
      login_username=session.get("login_username"),
      movie_stats=movie_stats,
      movie_type_distribution=movie_type_distribution,
      movie_rating_distribution=movie_rating_distribution,
    )


# 登录
@app.route("/login", methods=["GET", "POST"])
def login():
    if request.method == "POST":
      req_params = dict(request.form)
      # 判断用户名密码是否正确
      sql = "SELECT * FROM `tb_user` WHERE `username` = %s AND `password` = %s"
      params = (req_params["username"], req_params["password"])
      if len(db_query.query(sql, params)) > 0:
            # 存储session
            session["login_username"] = req_params["username"]
            return redirect(url_for("index"))
      else:
            return render_template(
                "error.html",
                error="用户名或密码错误",
            )
    elif request.method == "GET":
      return render_template("login.html")


# 退出
@app.route("/logout")
def logout():
    session.pop("login_username", None)
    return redirect(url_for("index"))


# 注册
@app.route("/register", methods=["GET", "POST"])
def register():
    if request.method == "POST":
      req_params = dict(request.form)
      if req_params["password"] == req_params["password_confirm"]:
            # 判断是否已存在该用户名
            sql = "SELECT * FROM `tb_user` WHERE `username` = %s"
            params = (req_params["username"],)
            result = db_query.query(sql, params)
            if len(result) > 0:
                return render_template(
                  "error.html",
                  error="用户名已存在",
                )
            sql = "INSERT INTO `tb_user` (`username`, `password`) VALUES (%s, %s)"
            params = (
                req_params["username"],
                req_params["password"],
            )
            db_query.query(sql, params, db_query.QueryType.NO_SELECT)
            return redirect(url_for("login"))
      else:
            return render_template(
                "error.html",
                error="两次密码输入不一致",
            )
    elif request.method == "GET":
      return render_template("register.html")


@app.route("/list")
def movie_list():
    # 查询数据库获取电影列表
    movies = db_query.fetch_movie_list()# 假设此函数返回一个包含电影信息的列表
    # 渲染并返回list.html,同时传递movies数据
    return render_template(
      "list.html", login_username=session.get("login_username"), movies=movies
    )


@app.errorhandler(404)
def page_not_found(error):
    return render_template("404.html"), 404


@app.errorhandler(500)
def system_error(error):
    return render_template("500.html"), 500


if __name__ == "__main__":
    # 静态文件缓存自动刷新
    app.jinja_env.auto_reload = True
    app.run(host="127.0.0.1", port=8002, debug=True)首页

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="utf-8" />
    <meta http-equiv="X-UA-Compatible"
    content="IE=edge" />
    <meta
      name="viewport"
      content="width=device-width, initial-scale=1, shrink-to-fit=no"
    />
    <meta name="description" content="" />
    <meta name="author" content="" />

    <title>首页</title>

   
    <link
      href="/static/vendor/fontawesome-free/css/all.min.css"
      rel="stylesheet"
      type="text/css"
    />
    <link
      href="https://fonts.googleapis.com/css?family=Nunito:200,200i,300,300i,400,400i,600,600i,700,700i,800,800i,900,900i"
      rel="stylesheet"
    />

   
    <link href="/static/css/sb-admin-2.min.css" rel="stylesheet" />
</head>

<body id="page-top">
   
   
      
      <ul
      
      id="accordionSidebar"
      >
      
      <a
         
          target="_blank" href="https://www.cnblogs.com/index.html"
      >
         
            <i ></i>
         
          豆瓣电影可视化
      </a>

      
      <hr/>

      
      <li >
          <atarget="_blank" href="https://www.cnblogs.com/">
            <i ></i>
            首页</a
          >
      </li>

      
      <li >
          <atarget="_blank" href="https://www.cnblogs.com/list">
            <i ></i>
            电影列表</a
          >
      </li>

      
      <hr/>

      
      
          <buttonid="sidebarToggle"></button>
      
      </ul>
      

      
      
      
      
         
          <nav
            
          >
            
            <button
            id="sidebarToggleTop"
            
            >
            <i ></i>
            </button>

            
            

            
            <ul >
            

            
            <li >
                <a
                  
                  target="_blank" href="https://www.cnblogs.com/#"
                  id="userDropdown"
                  role="button"
                  data-toggle="dropdown"
                  aria-haspopup="true"
                  aria-expanded="false"
                >
                  {{login_username}}</span
                  >
                  <img
                  
                  src="https://www.cnblogs.com/static/img/avatar.png"
                  />
                </a>
               
               
                  <a
                  
                  href="https://www.cnblogs.com/#"
                  data-toggle="modal"
                  data-target="#logoutModal"
                  >
                  <i
                     
                  ></i>
                  Logout
                  </a>
               
            </li>
            </ul>
          </nav>
         

         
         
            
            

            
            
            
            
               
                  
                  
                     
                        
                        电影总数
                        
                        
                        {{ movie_stats['total_movies'] }}
                        
                     
                     
                        <i ></i>
                     
                  
                  
               
            

            
            
               
                  
                  
                     
                        
                        电影最高评分
                        
                        
                        {{ movie_stats['highest_rating'] }}
                        
                     
                     
                        <i ></i>
                     
                  
                  
               
            

            
            
               
                  
                  
                     
                        
                        出演最多演员
                        
                        
                        
                           
                              {{ movie_stats['most_popular_cast'] }}
                           
                        
                        
                           
                              
                           
                        
                        
                     
                     
                        <i
                        
                        ></i>
                     
                  
                  
               
            

            
            
               
                  
                  
                     
                        
                        制片最多国家
                        
                        
                        {{ movie_stats['most_common_country'] }}
                        
                     
                     
                        <i ></i>
                     
                  
                  
               
            
            

            

            
            
            
               
                  
                  
                  <h6 >
                      电影分类统计
                  </h6>
                  
                  
                  
                  
                  
                  
               
            

            
            
               
                  
                  
                  <h6 >
                      电影评分统计
                  </h6>
                  
                      <a
                        
                        target="_blank" href="https://www.cnblogs.com/#"
                        role="button"
                        id="dropdownMenuLink"
                        data-toggle="dropdown"
                        aria-haspopup="true"
                        aria-expanded="false"
                      >
                        <i
                        
                        ></i>
                      </a>
                     
                        Dropdown Header:
                        <atarget="_blank" href="https://www.cnblogs.com/#">Action</a>
                        <atarget="_blank" href="https://www.cnblogs.com/#">Another action</a>
                        
                        <atarget="_blank" href="https://www.cnblogs.com/#"
                        >Something else here</a
                        >
                     
                  
                  
                  
                  
                  
                  
               
            
            

            
         
         
         
      
      

      
      <footer >
         
            
            @Laoxu Open Source.<a
                  target="_blank"
                  href="https://github.com/mudfish"
                  >Github</a
                ></span
            >
            
         
      </footer>
      
      
      
   
   

   
    <atarget="_blank" href="https://www.cnblogs.com/#page-top">
      <i ></i>
    </a>

   
   
      
      
         
            <h5id="exampleModalLabel">Ready to Leave?</h5>
            <button
            
            type="button"
            data-dismiss="modal"
            aria-label="Close"
            >
            ×
            </button>
         
         
         
            <button
            
            type="button"
            data-dismiss="modal"
            >
            Cancel
            </button>
            <atarget="_blank" href="https://www.cnblogs.com/logout">Logout</a>
         
      
      
   

   
   
   

   
   

   
   

   
   

   
   
   

   

   

   
</body>
</html>
来源:https://www.cnblogs.com/wikiman/p/18200446
免责声明:由于采集信息均来自互联网,如果侵犯了您的权益,请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容,谢谢合作!
页: [1]
查看完整版本: 【开源】2024最新python豆瓣电影数据爬虫+可视化分析项目