专栏首页DT数据侠豆瓣已玩烂,爬点洋气的:用IMDB数据为你“订制”经典好片

豆瓣已玩烂,爬点洋气的:用IMDB数据为你“订制”经典好片

本文转载自:数据森麟(ID:shujusenlin)

作者:翻滚吧羊宝宝

转战Python半年,接触爬虫2个月,期间读了10本相关书籍,完成此作,算是对过去学习、实践的一次回顾。也希望与更多的Python,爬虫爱好者小伙伴们一起交流、成长

此题目,一来豆瓣作为爬虫入门,各种大牛的深入分析已趋于完美;另一方面随着中国电影工业的发展,我们需要将视角转向国际市场,通过数据分析,了解一下外国人比较感兴趣的电影。

▍01 数据爬取

1. 网页分析

  • IMDB top250主页
  • IMDB电影详情页(1)
  • IMDB 电影详情页(2)

基于以上网页构造,我们发现只需得到每个电影的详情页编码(唯一),通过2次“蛙跳”,实现详情页(1)(2)导出国家&类型,分数&人数的信息的获取。便于理解,爬取思维导图如下:

2. 爬虫代码

  • IMDB top250主页
#导入库-------------------------------------------
from urllib import request
from chardet import detect
from bs4 import BeautifulSoup
import pandas as pd
import time
import random

#获取网页源码,生成soup对象-------------------------
def getSoup(url):
    with request.urlopen(url) as fp:
       byt = fp.read()
       det = detect(byt)
       time.sleep(random.randrange(1,5))
       return BeautifulSoup(byt.decode(det['encoding']),'lxml')
   
#解析数据-------------------------------------------  
def getData(soup):
   #获取评分
   ol = soup.find('tbody', attrs = {'class': 'lister-list'})
   score_info = ol.find_all('td',attrs={'class':'imdbRating'})
   film_scores = [k.text.replace('\n','') for k in score_info]
   #获取评分、电影名、导演・演员、上映年份、详情网页链接
   film_info = ol.find_all('td',attrs={'class':'titleColumn'})
   film_names =  [k.find('a').text for k in film_info]
   film_actors =  [k.find('a').attrs['title'] for k in film_info]
   film_years = [k.find('span').text[1:5] for k in film_info]
   next_nurl =  [url2 + k.find('a').attrs['href'][0:17]  for k in film_info]
   data=pd.DataFrame({'name':film_names,'year':film_years,'score':film_scores,'actors':film_actors,'newurl':next_nurl})      
    return data    
  • IMDB top250电影详情页
#获取详情页数据-------------------------------------------
def nextUrl(detail,detail1):
  #获取电影国家
  detail_list = detail.find('div',attrs={'id':'titleDetails'}).find_all('div',attrs={'class':'txt-block'})
   detail_str = [k.text.replace('\n','') for k in detail_list]
  detail_str = [k for k in detail_str if k.find(':')>=0]
  detail_dict = {k.split(':')[0] : k.split(':')[1] for k in detail_str}
  country = detail_dict['Country']    
  #获取电影类型
  detail_list1 = detail.find('div',attrs={'class':'title_wrapper'}).find_all('div',attrs={'class':'subtext'})
   detail_str1 = [k.find('a').text for k in detail_list1]
  movie_type=pd.DataFrame({'Type':detail_str1})
  #获取以组划分的电影详细评分、人数
  div_list = detail1.find_all('td',attrs= {'align': 'center'}) 
  value = [k.find('div',attrs= {'class': 'bigcell'}).text.strip() for k in div_list]
   num   = [k.find('div', attrs={'class': 'smallcell'}).text.strip() for k in div_list]
   scores=pd.DataFrame({'value':value,'num':num})  
  return country,movie_type,scores
  • 3. 数据展示

最终我们得到了如下数据,并将其进行存储用于后续的分析:

▍02 数据分析

1. 影片类型对比

首先来看一下各个类型的影片占比:

Top250电影的类型占比,前三名分别是喜剧、犯罪与动作。

紧张刺激的情绪、张弛有度的情节,最能带给影迷带来记忆深刻的观影体验。

下面再来看下各个类型的影片的得分对比:

从类型来看,西部片一骑绝尘,究其原因可能与受众人群小、爱好者狂野奔的性格易给高分有关。其次,犯罪、动作、冒险、推理、恐怖题材也易出较高评分。

2. 年份对比

首先我们看下TOP250电影的所属年份:

Top250电影中,1957、1995、与2014年电影较多,而1975年后,上榜电影有明显增加的趋势,这可能与电影工业的日趋成熟有关。

至于1995年,熟悉电影的小伙伴可能知道,1995年是世界电影100周年,无数电影天才抱着献礼的想法,在这一年诞生了他们伟大的作品,我们较为熟悉的有《肖申克的救赎》《阿甘正传》《低俗小说》《四个婚礼与一个葬礼》《七宗罪》《狮子王》等。

同时我们看下各个年份电影的评价分数:

比较电影年代评分,并无发现明显上升或下降趋势,可见电影艺术并不会随时间而失去自身价值。对于电影,技术不是第一位的,感情共鸣的因素占更大权重;哪部电影最好看?答案就在我们每个人心中。

3. 国家对比

我们看下各个国家的电影在TOP250电影中的占比情况:

这个数据比较有趣,有点像诺贝尔奖,美国电影占据半壁江山,其余国家瓜分剩下的蛋糕。排名前几位的分别是英国、法国、日本、德国。而中国,唯一上榜的电影只有一部——《花样年华》。

如果是西方主流价值观的原因,同样作为东方文化代表的邻国日本,却有16部电影上榜,可见西方价值观并不能成为中国电影上榜少的主要原因。虽然近几年中国不乏有《大鱼海棠》、以及刚最新上映的《流浪地球》这样高质量的作品上线,但是在国际市场仍反响平平。

我相信电影是有共同语言的,也真的有普世价值观这样的东西。如何打造国际化电影工业,给世界人民讲故事,是中国电影人接下来需要探索的课题。

4. 导演对比

我们一起看下那些在TOP250榜单中,最常出现的导演们:

电影界的诺贝尔开奖啦,一起来看看有哪些作者上榜。鉴于大家对外国导演名可能不太熟悉,这里做了一个导演-代表作做对照表,值得注意的是,雷德利・斯科特、詹姆斯・卡梅隆、大卫・芬奇分别执导了电影《异形1》《异形2》《异形3》,一部《异形》出3个上榜导演,可见其系列影响力,没看过的小伙伴强烈建议一看,虽然口味可能点重。

5. 人群对比

首先我们看下不同人群的评分情况:

从性别维度来看,男性比女性给容易给出高分。另一方面,从年龄段侧看,无论男女,未成年人员最易给出高分,随着年龄增加,评分愈加犀(è)利(dú),超过45岁的人群,给出的分数是最低的。

是否历经沧海,坚硬的心就越难被打动?又或许见多识广,才能公正客观的评价一部电影?也许可以就此问题研究一下,如《电影节评委年龄层的科学配置方法》。

然而知道了评分情况,我们也需要去了解下各类人群的占比情况:

虽然“老叔叔”“老阿姨”们的评分偏低,但是一部电影的口碑高低不用太担心这类人群。因为数据告诉我们,满足30-44以及18-29这两个年龄段的中青年男性口味,电影口碑肯定差不了。从近些年《战狼》、《红海行动》,这类战争动作片均取得不错的口碑中,对评分机制可略知一二。

6. 类型、年龄与评分的关系

首先我们用热力图来看下各个人群对不同类型电影的评分情况:

不同年龄群,对电影类型的偏好是不同的。如未成年男性、女性,对推理、西部片表现出浓厚兴趣,而45以上的男性、女性,分别对科幻、黑色电影类型钟爱。

评分的高低也需要结合占比进行综合分析:

这次我们将数据粒度细化至各年龄层,结合各年龄段评分,以下我们给出各年龄层在TOP250榜中的推荐电影。

▍03 电影推荐

1. 未成年男性(<18)

2. 18-29岁男性

3. 30-44岁男性

4. 45+男性

5. 未成年女性(<18)

6. 18-29岁女性

7. 30-44岁女性

8. 45+女性

以上是根据IMDBtop250数据推荐的电影,如果有不符合的情况,在这里说声抱歉。毕竟美国人民的喜好和中国还是有一定区别的。

最后,用《三体》的一首诗作为结尾:

我看到了我的爱恋 我飞到她的身边 我捧出给她的礼物 那是一小块凝固的时间 时间上有美丽的条纹 摸起来像浅海的泥一样柔软 她把时间涂满全身 然后拉起我飞向存在的边缘 这是灵态的飞行 我们眼中的星星像幽灵 星星眼中的我们也像幽灵

注:内容仅为作者观点,不代表DT数据侠立场。

题图 | 站酷海洛

本文分享自微信公众号 - DT数据侠(DTdatahero)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-03-04

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 我敢打赌,你猜不到去年电影国内票房最高的演员是谁

    去年末的时候,我招收了新的“实训生”。本文是其中一位 @齐大圣 同学在实训两个月时完成的项目案例。(码上行动群里同学应该都看过这个名字,现在也是助教之一。)项目...

    Crossin先生
  • Python爬取4000条猫眼评论,带你围观2021最烂院线电影

    烂片能烂的让人记住的其实也不多,比如《富春山居图》、《上海堡垒》、《爵迹》之类。它们往往头顶着豆瓣2~3的评分,然后引发各种争议讨论,但其目标人群(明星粉丝)还...

    朱小五
  • Python爬虫--爬取豆瓣 TOP250 电影排行榜

    本篇讲介绍一个简单的Python爬虫案例–爬取豆瓣 TOP250 电影排行榜。 很多朋友在看一部电影前都喜欢先找一下网友们对该片的评价。

    Flaneur
  • 6万部豆瓣电影数据,如何做数据分析?

    1 前言 豆瓣电影提供最新的电影介绍及评论包括上映影片的影讯查询及购票服务。你可以记录想看、在看和看过的电影电视剧,顺便打分、写影评,极大地方便了人们的生活...

    机器学习AI算法工程
  • 我用Python纪念了那些被烂片收割的智商税!

    作者:徐麟,某互联网公司数据分析狮,个人公众号数据森麟(id:shujusenlin)

    kbsc13
  • 我用Python纪念了那些被烂片收割的智商税!

    随着电影行业的蓬勃发展,越来越多的电影出现在了观众的视野中,丰富了大家的生活,好的电影也能让大家在放松自我的同时收获一些对人生的思考。

    数据森麟
  • Python数据可视化:豆瓣电影TOP250

    首先任意文件夹下命令行运行scrapy startproject doubanTop250,创建一个名为doubanTop250的文件夹。

    小F
  • 我用Python纪念了那些被烂片收割的智商税!

    作者:徐麟,某互联网公司数据分析狮,个人公众号数据森麟(id:shujusenlin

    HuangWeiAI
  • Java豆瓣电影爬虫——抓取电影详情和电影短评数据

      一直想做个这样的爬虫:定制自己的种子,爬取想要的数据,做点力所能及的小分析。正好,这段时间宝宝出生,一边陪宝宝和宝妈,一边把自己做的这个豆瓣电影爬虫的数据采...

    JackieZheng

扫码关注云+社区

领取腾讯云代金券