Python爬虫+数据分析+数据可视化实战

• Python爬虫+数据分析+数据可视化实战
  • 1. 背景介绍
  • 2. 需求目标
  • 3. 基于urllib的bangumi和bilibili一键爬虫脚本的编写
    • 3.1 bangumi网站分析及爬虫脚本的编写
      • 3.1.1 网站分析
      • 3.1.2 代码实现
    • 3.2 bilibili网站分析及爬虫脚本的编写
      • 3.2.1 网站分析
      • 3.2.2 代码实现
  • 4. 基于pandas的综合数据分析和基于matplotlib的数据可视化
    • 4.1 导入依赖库
    • 4.2 数据清洗
      • 4.2.1 日期型数据处理
      • 4.2.2 bilibili评分缺失值处理
    • 4.3 基本描述统计
      • 4.3.1 bilibili评分
      • 4.3.2 bangumi评分
    • 4.4 bangumi动画作品数据分析
      • 4.4.1 每个动画公司各年度制作了多少动画
      • 4.4.2 总的动画制作分布
      • 4.4.3 每个动画公司制作的动画部数及平均评分
      • 4.4.4 2000-2019年热门动画作品及趋势分析
    • 4.5 两站动画匹配与数据库的合并
      • 4.5.1 匹配策略
      • 4.5.2 查询脚本
      • 4.5.3 信息匹配
      • 4.5.4 数据库合并
    • 4.6 两站评分综合分析
      • 4.6.1 相关性分析与散点图
      • 4.6.2 气泡图、二维频次直方图与三维柱状图
      • 4.6.3 箱线图
      • 4.6.4 两网站评分特征及原因推测
      • 4.6.5 总结
  • 5 结语

1. 背景介绍

哔哩哔哩（www.bilibili.com，英文名称：bilibili，简称B站）现为中国年轻世代高度聚集的文化社区和视频平台，该网站于2009年6月26日创建。

B站早期是一个ACG（动画、漫画、游戏）内容创作与分享的视频网站。经过十年多的发展，围绕用户、创作者和内容，构建了一个源源不断产生优质内容的生态系统，B站已经涵盖7000多个兴趣圈层的多元文化社区。
哔哩哔哩作为目前国内最大的动画作品平台，已上线了3000多部来自日本、美国以及国内的动画作品，具有大量的播放、点赞、弹幕、评分等数据可供分析。

bangumi（bangumi番组计划，bangumi.tv）是专注于ACG领域的网站，是国内专业的动画评分网站。该网站可看作动画作品的数据库，拥有万余部动画作品的详细数据，包括集数、播放时间、监督以及评分、评分人数等信息等可供分析。

2. 需求目标

• 编写一键爬虫脚本获取两个网站的动画作品数据
• 对两网站的数据进行分析，其中对于评分进行相关性分析
• 可视化展示数据

3. 基于urllib的bangumi和bilibili一键爬虫脚本的编写

3.1 bangumi网站分析及爬虫脚本的编写

3.1.1 网站分析

首先打开bangumi首页，并登录。登录后刷新页面，并用fiddler抓包，获取请求头：

1. 作品原名与类型
2. 作品详细信息
3. 作品简介
4. 作品tags
5. 作品评分数据

• part2
  

  

• part4
  

  

获得对应的源代码位置后，便可以用beautifulsoup包对网页html进行解析获取数据了。

目前的问题是如何获取尽量多的作品数据。

根据网页地址，访问某部作品的页面应为(后面的数字称为subject号)，所以可以从1开始遍历所有的subject号，这理论上可行，但实际操作中发现了两个问题，一是subject号目前超过20万，全部遍历所需时间太长；二是并不是所有作品都是动画作品，还可能是书籍、音乐、游戏等：

• 例：漫画
  

  

所以必须找到其他方法。注意到bangumi作为评分网站具有排行榜功能：

不需通过ajax请求获取某段排行的数据，这对于爬虫是非常友好的。

考虑到能上榜的作品都具有一定人气，并且只有评分人数达到一定数量评分才更有代表性，所以决定按照排行榜爬取这5800多部动画作品subject号，再访问各自的页面获取详细信息。

3.1.2 代码实现

1. 模块的导入

2. 总榜subject号爬取

3. 详细信息爬取

来源：14岁醋酸铜