python爬取44130条用户观影数据，分析挖掘用户与电影之间的隐藏信息！

出处: Python爬虫数据分析挖掘

01

前言

明天就是大年初一，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

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』）。

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

i=0url = '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

#https://movie.douban.com/people/{用户名称}/collect?start=15&sort=time&rating=all&filter=all&mode=gridhttps://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

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

# 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

# 写入execldef 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

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

###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）

###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

###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

###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。