简介这是一份面向高校计算机类专业学生的Python爬虫与数据可视化综合实践项目代码专为课程设计与期末大作业打造解决从网页抓取、数据清洗、存储到多维度可视化分析的全流程需求。资源包共39个文件包含3个核心Python脚本爬虫采集、数据处理、图表生成、24个HTML可视化报告页面、4个Excel原始及分析结果数据表、1个SQL建表脚本、1个chromedriver驱动及环境配置文件等整体压缩包仅6.68MB结构清晰、模块解耦。已有3403人学习下载代码全程中文注释详尽覆盖RequestsBeautifulSoup基础爬虫、Pandas数据清洗、Matplotlib/Pyecharts可视化及SQLite本地存储等关键技术点支持开箱即用也便于二次开发拓展至招聘平台如51job、技术栈Python/PyTorch/TensorFlow等多源数据分析场景。1. 项目缘起与核心价值为什么期末大作业要选“爬虫可视化”又到了期末看着课程群里老师发布的“自选主题完成一个综合性项目”的大作业要求你是不是感觉头大选题太简单怕分数不高选题太难又怕自己搞不定最后交不上作业。如果你正在学习Python或者相关课程涉及数据处理那么“Python爬虫数据可视化分析”这个组合几乎是一个“万金油”式的满分答案。这不仅仅是因为它技术栈完整、展示效果好更深层的原因在于它完美契合了当前数据驱动时代对人才的基础能力要求。一个典型的数据分析流程可以概括为“获取数据 - 清洗整理 - 分析挖掘 - 呈现洞察”。爬虫就是自动化“获取数据”的利器而数据可视化则是将冰冷数字转化为直观“洞察”的桥梁。你的大作业如果只做爬虫那只是一个数据采集工具如果只做静态的数据图表又显得分析过程单薄、数据来源不明。将两者结合你向老师展示的就不再是几个孤立的代码文件而是一个完整的、有逻辑的“数据故事”你从哪里发现了问题数据源如何获取了原材料爬虫如何处理了这些原材料数据清洗以及最终得出了什么结论可视化分析。这种从问题到结论的完整闭环是获得高分的关键。从技术层面看这个组合涵盖了Python编程中多个核心且实用的模块。爬虫部分你会接触到网络请求requests、HTML解析BeautifulSoup/lxml、反爬应对策略等数据处理部分你会用到pandas进行表格操作和清洗可视化部分matplotlib,seaborn,pyecharts等库能让你创造出丰富的图表。整个过程下来你对Python的应用能力会得到一次全面的锻炼。更重要的是这个项目的成果——一份图文并茂的分析报告或一个交互式的可视化看板——极具视觉冲击力能在答辩或提交时给老师留下“专业”、“用心”的深刻印象。注意选择数据源时务必遵守网站的robots.txt协议尊重版权和个人隐私。对于课程作业强烈建议选择那些提供公开API或明确允许用于教育、研究目的的网站数据如一些政府开放数据平台、豆瓣电影、天气API等避免触及法律和道德红线。2. 高分项目架构设计从零搭建你的分析引擎拿到题目切忌直接埋头写代码。一个好的架构设计是项目成功的基石也能让你的代码逻辑清晰便于调试和扩展。一个典型的“爬虫可视化”大作业项目可以遵循以下模块化架构1. 数据采集层 (Spider)这是项目的起点。你需要编写爬虫脚本负责从目标网站抓取原始数据。这一层的关键是稳定性和可扩展性。代码应该能够处理网络异常如超时、连接错误并能适应网站页面结构的微小变动。通常我们会将爬虫代码独立成一个或多个Python模块。2. 数据存储层 (Storage)爬取到的数据需要持久化保存。对于期末大作业的规模通常有以下几种选择CSV/JSON文件最简单直接使用pandas的to_csv/to_json方法即可适合数据量不大几万条以内且结构固定的场景。SQLite数据库Python内置支持无需安装额外服务。适合需要复杂查询或数据之间存在关联关系的项目。使用sqlite3库或pandas的to_sql方法可以轻松操作。MongoDB如果爬取的数据是半结构化的JSON格式MongoDB这种文档数据库会更灵活。但这需要额外安装数据库服务对于纯本地作业可能稍显复杂。我的建议是对于绝大多数课程大作业CSV文件足矣。它易于生成、易于用Excel打开检查也方便用pandas进行后续分析。3. 数据处理与清洗层 (Data Processing)原始数据往往包含大量噪音重复项、缺失值、格式不一致的字符串、无关符号等。这一层的工作就是用pandas进行数据清洗为可视化分析准备“干净”的数据。常见操作包括删除空值、去除重复、字符串分割与提取、类型转换、创建新的衍生字段等。4. 数据分析与可视化层 (Analysis Visualization)这是项目的“门面”和核心产出。在这一层你基于清洗后的数据提出具体的分析问题并通过图表来回答。例如“分析近十年电影票房趋势”、“统计不同城市岗位薪资分布”、“探索用户评论的情感倾向”等。选择合适的图表类型至关重要趋势用折线图分布用直方图或箱线图对比用柱状图关联用散点图或热力图。5. 报告生成层 (Report)将你的分析过程、核心代码和可视化结果整合成一份完整的报告。这可以是一个Jupyter Notebook文件.ipynb它天然支持代码、图表和Markdown格式的文字描述混合排版是展示数据分析流程的绝佳工具。也可以使用matplotlib或pyecharts生成独立的HTML报告。一个清晰的目录结构能体现你的专业性your_project/ ├── README.md # 项目说明文档 ├── requirements.txt # 项目依赖包列表 ├── src/ # 源代码目录 │ ├── spider.py # 爬虫主逻辑 │ ├── data_cleaner.py # 数据清洗函数 │ ├── analyzer.py # 数据分析与可视化函数 │ └── utils.py # 工具函数如日志、配置文件读取 ├── data/ # 数据目录 │ ├── raw_data.csv # 原始爬取数据 │ └── cleaned_data.csv # 清洗后数据 ├── output/ # 输出目录 │ ├── figures/ # 保存生成的图片 │ └── report.html # 最终的可视化报告 └── main.py # 项目主入口协调各模块执行3. 爬虫实战以“豆瓣电影Top250”为例的稳健实现我们以经典的“豆瓣电影Top250”作为数据源因为它结构清晰、数据公开且是静态页面非常适合教学和作业。但请注意实际爬取时应控制频率避免对服务器造成压力。3.1 环境准备与核心库选择首先确保你的Python环境建议3.7以上版本已安装必要的库。在项目根目录下创建requirements.txt文件并写入requests2.28.0 beautifulsoup44.11.0 pandas1.5.0 matplotlib3.6.0 seaborn0.12.0 lxml4.9.0然后在终端执行pip install -r requirements.txt一键安装。requests用于发送HTTP请求获取网页HTML内容。比Python内置的urllib更简洁易用。BeautifulSoup用于解析HTML/XML文档从复杂的标签结构中提取我们需要的数据。它搭配lxml解析器速度更快。pandas数据分析的核心提供DataFrame数据结构方便进行数据清洗、转换和分析。matplotlibseabornmatplotlib是绘图基础库功能强大但API稍显底层seaborn基于matplotlib提供了更高级的统计图形接口和更美观的默认样式两者常结合使用。3.2 爬虫核心代码拆解与反爬应对爬虫的核心逻辑是构造请求 - 获取响应 - 解析内容 - 保存数据。下面我们一步步实现。第一步分析页面结构与请求头设置打开豆瓣电影Top250页面按F12打开开发者工具。观察发现每页显示25部电影共10页。URL规律为https://movie.douban.com/top250?start{offset}其中offset是起始序号0, 25, 50...。直接使用requests.get(url)可能会被网站拒绝因为缺少了浏览器标识。我们需要模拟一个真实的浏览器请求头。import requests from bs4 import BeautifulSoup import pandas as pd import time import random headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36, Accept-Language: zh-CN,zh;q0.9, }User-Agent是告诉服务器我们是什么浏览器在访问这是绕过基础反爬最常见的一步。第二步实现单页数据抓取函数这个函数负责解析一个页面提取每部电影的信息。def parse_one_page(url): 解析单个页面返回电影信息列表 try: resp requests.get(url, headersheaders, timeout10) resp.raise_for_status() # 如果状态码不是200抛出异常 resp.encoding utf-8 except requests.RequestException as e: print(f请求页面失败: {url}, 错误: {e}) return [] soup BeautifulSoup(resp.text, lxml) movie_items soup.find_all(div, class_item) page_movies [] for item in movie_items: # 提取电影详情链接和标题 link item.find(a)[href] title_elem item.find(span, class_title) title title_elem.text.strip() if title_elem else N/A # 提取评分 rating_elem item.find(span, class_rating_num) rating float(rating_elem.text.strip()) if rating_elem else 0.0 # 提取评价人数需要处理“人评价”字符串 eval_elem item.find(div, class_star).find_all(span)[-1] eval_num_str eval_elem.text.replace(人评价, ).strip() # 处理可能的中文数字单位如“15万” if 万 in eval_num_str: eval_num float(eval_num_str.replace(万, )) * 10000 else: eval_num int(eval_num_str) if eval_num_str.isdigit() else 0 # 提取引用的短评 quote_elem item.find(span, class_inq) quote quote_elem.text.strip() if quote_elem else page_movies.append({ title: title, link: link, rating: rating, eval_num: eval_num, quote: quote }) return page_movies这里有几个关键点异常处理网络请求必须用try...except包裹并设置超时timeout避免程序因单个页面失败而卡死。健壮的解析使用if...else或三元表达式判断元素是否存在防止因个别电影信息缺失导致解析中断。数据清洗前置在提取过程中就处理掉无关字符如“人评价”、“万”并将字符串转换为数值类型为后续分析做准备。第三步控制爬取节奏与数据存储我们不能一口气请求所有页面需要在请求间加入随机延时这是对目标网站最基本的尊重。def crawl_all_pages(base_url, total_pages10): 爬取所有页面数据 all_movies [] for page in range(total_pages): offset page * 25 url f{base_url}?start{offset} print(f正在爬取第 {page1} 页: {url}) movies parse_one_page(url) if movies: all_movies.extend(movies) else: print(f第 {page1} 页爬取失败或为空。) # 随机延时模拟人类操作 time.sleep(random.uniform(1, 3)) # 转换为DataFrame并保存 df pd.DataFrame(all_movies) df.to_csv(./data/raw_douban_top250.csv, indexFalse, encodingutf-8-sig) print(f爬取完成共获取 {len(df)} 条数据已保存至 raw_douban_top250.csv) return df if __name__ __main__: base_url https://movie.douban.com/top250 raw_df crawl_all_pages(base_url)time.sleep(random.uniform(1, 3))这句代码至关重要它让每次请求间隔1到3秒大大降低了被封IP的风险。将数据保存为CSV时使用utf-8-sig编码可以避免用Excel打开时中文乱码。4. 数据清洗从“脏数据”到“干净数据表”爬取到的原始数据往往不能直接用于分析。我们加载刚保存的CSV文件进行清洗。import pandas as pd # 加载数据 df pd.read_csv(./data/raw_douban_top250.csv) # 1. 查看基本信息 print(df.info()) print(df.head()) # 2. 处理缺失值 print(缺失值统计) print(df.isnull().sum()) # 假设‘quote’短评字段允许为空我们将其空值填充为‘无’ df[quote].fillna(无, inplaceTrue) # 3. 处理重复值根据电影链接去重 df.drop_duplicates(subset[link], inplaceTrue) print(f去重后数据量{len(df)}) # 4. 检查并修正数据类型 # rating和eval_num在爬取时已转为数值型这里确认一下 df[rating] pd.to_numeric(df[rating], errorscoerce) df[eval_num] pd.to_numeric(df[eval_num], errorscoerce) # 5. 创建衍生字段例如根据评分划分等级 def rating_level(score): if score 9.0: return 神作 (≥9.0) elif score 8.0: return 优秀 (8.0-8.9) elif score 7.0: return 良好 (7.0-7.9) else: return 一般 (7.0) df[rating_level] df[rating].apply(rating_level) # 6. 保存清洗后的数据 df.to_csv(./data/cleaned_douban_top250.csv, indexFalse, encodingutf-8-sig) print(数据清洗完成已保存为 cleaned_douban_top250.csv)清洗过程是数据分析中耗时但至关重要的一步。这里我们做了几件事处理缺失值填充或删除、删除重复项、确保数据类型正确、创建新的分析维度评分等级。一个干净的DataFrame是后续所有分析工作的基础。5. 可视化分析与洞察用图表讲述数据故事现在我们手握一份干净的豆瓣Top250电影数据可以开始提出有趣的问题并用图表来解答了。我们将使用matplotlib和seaborn来制作图表。5.1 整体评分分布直方图与核密度估计首先我们想了解这250部顶尖电影的评分集中在哪个区间。import matplotlib.pyplot as plt import seaborn as sns # 设置中文字体和图表样式 plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei] # 用来正常显示中文标签 plt.rcParams[axes.unicode_minus] False # 用来正常显示负号 sns.set_style(whitegrid) # 绘制评分分布 plt.figure(figsize(12, 6)) # 子图1直方图 plt.subplot(1, 2, 1) plt.hist(df[rating], bins20, edgecolorblack, alpha0.7, colorskyblue) plt.xlabel(评分) plt.ylabel(电影数量) plt.title(豆瓣Top250电影评分分布直方图) # 添加平均线 mean_rating df[rating].mean() plt.axvline(mean_rating, colorred, linestyle--, linewidth2, labelf平均分: {mean_rating:.2f}) plt.legend() # 子图2核密度估计图更平滑的分布 plt.subplot(1, 2, 2) sns.kdeplot(df[rating], fillTrue, colororange) plt.xlabel(评分) plt.ylabel(密度) plt.title(评分分布核密度估计图) plt.axvline(mean_rating, colorred, linestyle--, linewidth2) plt.tight_layout() plt.savefig(./output/figures/rating_distribution.png, dpi300, bbox_inchestight) plt.show()这个分析能立刻告诉我们高分电影如9分以上是凤毛麟角大部分电影集中在8.2到8.8分之间。平均分线帮助我们快速定位分布的中心。5.2 评分与评价人数的关系散点图高分电影是否也意味着更多人评价我们可以用散点图来探索这两个数值变量之间的关系。plt.figure(figsize(10, 6)) # 使用评价人数的对数因为其数值跨度可能非常大取对数后更容易观察 scatter plt.scatter(df[rating], np.log10(df[eval_num] 1), # 1防止log(0) cdf[rating], cmapviridis, alpha0.6, s50) # s是点的大小 plt.colorbar(scatter, label评分) plt.xlabel(评分) plt.ylabel(评价人数 (log10)) plt.title(电影评分 vs. 评价人数对数尺度) plt.grid(True, linestyle--, alpha0.5) # 可以尝试标注一些异常点例如评分高但评价人数相对少的“冷门佳作” # 这里简单标注评分最高和评价人数最多的几部 top_rating_movies df.nlargest(3, rating) for _, row in top_rating_movies.iterrows(): plt.annotate(row[title][:10]..., # 只显示前10个字符 xy(row[rating], np.log10(row[eval_num] 1)), xytext(5, 5), textcoordsoffset points, fontsize8, alpha0.8) plt.savefig(./output/figures/rating_vs_eval.png, dpi300, bbox_inchestight) plt.show()散点图能直观揭示趋势。如果点呈右上倾斜的带状分布说明评分和热度评价人数正相关。我们取了评价人数的对数使得数量级差异巨大的数据能在同一幅图中清晰显示。标注点能增加图表的可读性和故事性。5.3 评分等级占比饼图或环形图之前我们创建了rating_level字段现在可以用饼图来展示各等级电影的构成。# 计算各等级数量 level_counts df[rating_level].value_counts() plt.figure(figsize(8, 8)) # 绘制环形图比普通饼图更美观 wedges, texts, autotexts plt.pie(level_counts.values, labelslevel_counts.index, autopct%1.1f%%, startangle90, colorssns.color_palette(pastel), wedgepropsdict(width0.3)) # 美化文本 for autotext in autotexts: autotext.set_color(black) autotext.set_fontsize(10) autotext.set_weight(bold) plt.title(豆瓣Top250电影评分等级分布环形图) plt.savefig(./output/figures/rating_level_donut.png, dpi300, bbox_inchestight) plt.show()饼图或环形图非常适合展示构成比例。从图中我们可以一眼看出“优秀”级别的电影占据了绝对主力“神作”占比虽小但代表了顶尖水平。这样的图表能让你的分析结论一目了然。5.4 进阶分析制作简单的仪表板如果你想更上一层楼可以尝试用pyecharts或Plotly制作交互式图表并整合到一个HTML报告中。这里以pyecharts为例制作一个包含多个图表的页面from pyecharts.charts import Page, Bar, Pie, Scatter from pyecharts import options as opts # 1. 评分分布柱状图 bar ( Bar() .add_xaxis([f{i/10:.1f}-{(i1)/10:.1f} for i in range(70, 101, 2)]) # 自定义区间 .add_yaxis(电影数量, df.groupby(pd.cut(df[rating], bins[i/10 for i in range(70, 102, 2)])).size().tolist()) .set_global_opts(title_optsopts.TitleOpts(title评分区间分布)) ) # 2. 评分等级饼图 pie ( Pie() .add(, [list(z) for z in zip(level_counts.index.tolist(), level_counts.values.tolist())]) .set_series_opts(label_optsopts.LabelOpts(formatter{b}: {c} ({d}%))) .set_global_opts(title_optsopts.TitleOpts(title评分等级占比), legend_optsopts.LegendOpts(orientvertical, pos_top15%, pos_left2%)) ) # 3. 将图表组合到同一个页面 page Page(layoutPage.SimplePageLayout) page.add(bar, pie) page.render(./output/report.html) print(交互式报告已生成./output/report.html)生成的report.html可以用浏览器直接打开图表支持鼠标悬停查看详情、缩放等交互操作视觉效果和专业性直接拉满。6. 项目整合、优化与答辩准备代码都写完了但一个高分项目还需要最后的打磨和包装。整合与运行创建一个main.py作为项目入口将爬虫、清洗、分析流程串联起来。# main.py import os from src.spider import crawl_all_pages from src.data_cleaner import clean_data from src.analyzer import generate_visualizations, create_html_report def main(): print( 豆瓣电影Top250数据分析项目开始 ) # 步骤1爬虫如果数据已存在可跳过 if not os.path.exists(./data/raw_douban_top250.csv): print(开始爬取数据...) raw_df crawl_all_pages(https://movie.douban.com/top250) else: print(检测到原始数据文件跳过爬取步骤。) # 步骤2数据清洗 print(开始数据清洗...) cleaned_df clean_data(./data/raw_douban_top250.csv) # 步骤3生成可视化图表和报告 print(生成可视化图表...) generate_visualizations(cleaned_df) create_html_report(cleaned_df) print( 项目执行完毕所有结果已保存在 ./output/ 目录下 ) if __name__ __main__: main()性能与健壮性优化异常处理在爬虫的每个关键步骤网络请求、解析、保存都添加try-except并记录日志确保单点失败不影响整体流程。配置化将headers、请求间隔时间、数据库连接字符串等参数写入一个config.py或config.ini文件方便修改。增量爬取如果你的项目需要定期更新数据可以实现增量逻辑。例如在存储时记录爬取时间下次只爬取新内容。使用Session对于需要登录或维护会话的网站使用requests.Session()可以保持cookies提高效率。答辩与报告撰写心得讲好故事你的报告或答辩PPT结构应该对应数据分析流程引言为什么分析这个- 数据获取怎么来的遇到了什么反爬如何解决- 数据清洗发现了什么数据问题如何处理- 分析可视化图表说明了什么现象得出什么结论- 总结与展望。突出亮点重点展示你解决的技术难点比如复杂的页面解析、高效的反爬策略、精美的可视化和独特的分析视角比如从数据中发现了什么有趣的洞察。代码注释与文档确保关键函数有清晰的注释。在项目根目录写一个详细的README.md说明项目背景、如何运行、文件结构、各模块功能。这是专业性的体现。准备QA提前思考老师可能会问的问题例如“如果网站改版了你的爬虫怎么适应”“你的数据清洗方法有什么局限性”“除了柱状图、饼图还有哪些可视化方式可以尝试”最后记住技术是为解决问题服务的。你的大作业价值不在于用了多少酷炫的库而在于你是否用一个清晰的逻辑完整地走完了从数据获取到价值呈现的全过程并在这个过程中展现了你的思考、解决问题的能力。把这个项目做扎实它不仅能帮你高分通过期末考核更能成为你简历上一个实实在在的、可展示的技能点。本文还有配套的精品资源点击获取 Python爬虫与数据可视化：期末大作业高分项目实战指南
简介这是一份面向高校计算机类专业学生的Python爬虫与数据可视化综合实践项目代码专为课程设计与期末大作业打造解决从网页抓取、数据清洗、存储到多维度可视化分析的全流程需求。资源包共39个文件包含3个核心Python脚本爬虫采集、数据处理、图表生成、24个HTML可视化报告页面、4个Excel原始及分析结果数据表、1个SQL建表脚本、1个chromedriver驱动及环境配置文件等整体压缩包仅6.68MB结构清晰、模块解耦。已有3403人学习下载代码全程中文注释详尽覆盖RequestsBeautifulSoup基础爬虫、Pandas数据清洗、Matplotlib/Pyecharts可视化及SQLite本地存储等关键技术点支持开箱即用也便于二次开发拓展至招聘平台如51job、技术栈Python/PyTorch/TensorFlow等多源数据分析场景。1. 项目缘起与核心价值为什么期末大作业要选“爬虫可视化”又到了期末看着课程群里老师发布的“自选主题完成一个综合性项目”的大作业要求你是不是感觉头大选题太简单怕分数不高选题太难又怕自己搞不定最后交不上作业。如果你正在学习Python或者相关课程涉及数据处理那么“Python爬虫数据可视化分析”这个组合几乎是一个“万金油”式的满分答案。这不仅仅是因为它技术栈完整、展示效果好更深层的原因在于它完美契合了当前数据驱动时代对人才的基础能力要求。一个典型的数据分析流程可以概括为“获取数据 - 清洗整理 - 分析挖掘 - 呈现洞察”。爬虫就是自动化“获取数据”的利器而数据可视化则是将冰冷数字转化为直观“洞察”的桥梁。你的大作业如果只做爬虫那只是一个数据采集工具如果只做静态的数据图表又显得分析过程单薄、数据来源不明。将两者结合你向老师展示的就不再是几个孤立的代码文件而是一个完整的、有逻辑的“数据故事”你从哪里发现了问题数据源如何获取了原材料爬虫如何处理了这些原材料数据清洗以及最终得出了什么结论可视化分析。这种从问题到结论的完整闭环是获得高分的关键。从技术层面看这个组合涵盖了Python编程中多个核心且实用的模块。爬虫部分你会接触到网络请求requests、HTML解析BeautifulSoup/lxml、反爬应对策略等数据处理部分你会用到pandas进行表格操作和清洗可视化部分matplotlib,seaborn,pyecharts等库能让你创造出丰富的图表。整个过程下来你对Python的应用能力会得到一次全面的锻炼。更重要的是这个项目的成果——一份图文并茂的分析报告或一个交互式的可视化看板——极具视觉冲击力能在答辩或提交时给老师留下“专业”、“用心”的深刻印象。注意选择数据源时务必遵守网站的robots.txt协议尊重版权和个人隐私。对于课程作业强烈建议选择那些提供公开API或明确允许用于教育、研究目的的网站数据如一些政府开放数据平台、豆瓣电影、天气API等避免触及法律和道德红线。2. 高分项目架构设计从零搭建你的分析引擎拿到题目切忌直接埋头写代码。一个好的架构设计是项目成功的基石也能让你的代码逻辑清晰便于调试和扩展。一个典型的“爬虫可视化”大作业项目可以遵循以下模块化架构1. 数据采集层 (Spider)这是项目的起点。你需要编写爬虫脚本负责从目标网站抓取原始数据。这一层的关键是稳定性和可扩展性。代码应该能够处理网络异常如超时、连接错误并能适应网站页面结构的微小变动。通常我们会将爬虫代码独立成一个或多个Python模块。2. 数据存储层 (Storage)爬取到的数据需要持久化保存。对于期末大作业的规模通常有以下几种选择CSV/JSON文件最简单直接使用pandas的to_csv/to_json方法即可适合数据量不大几万条以内且结构固定的场景。SQLite数据库Python内置支持无需安装额外服务。适合需要复杂查询或数据之间存在关联关系的项目。使用sqlite3库或pandas的to_sql方法可以轻松操作。MongoDB如果爬取的数据是半结构化的JSON格式MongoDB这种文档数据库会更灵活。但这需要额外安装数据库服务对于纯本地作业可能稍显复杂。我的建议是对于绝大多数课程大作业CSV文件足矣。它易于生成、易于用Excel打开检查也方便用pandas进行后续分析。3. 数据处理与清洗层 (Data Processing)原始数据往往包含大量噪音重复项、缺失值、格式不一致的字符串、无关符号等。这一层的工作就是用pandas进行数据清洗为可视化分析准备“干净”的数据。常见操作包括删除空值、去除重复、字符串分割与提取、类型转换、创建新的衍生字段等。4. 数据分析与可视化层 (Analysis Visualization)这是项目的“门面”和核心产出。在这一层你基于清洗后的数据提出具体的分析问题并通过图表来回答。例如“分析近十年电影票房趋势”、“统计不同城市岗位薪资分布”、“探索用户评论的情感倾向”等。选择合适的图表类型至关重要趋势用折线图分布用直方图或箱线图对比用柱状图关联用散点图或热力图。5. 报告生成层 (Report)将你的分析过程、核心代码和可视化结果整合成一份完整的报告。这可以是一个Jupyter Notebook文件.ipynb它天然支持代码、图表和Markdown格式的文字描述混合排版是展示数据分析流程的绝佳工具。也可以使用matplotlib或pyecharts生成独立的HTML报告。一个清晰的目录结构能体现你的专业性your_project/ ├── README.md # 项目说明文档 ├── requirements.txt # 项目依赖包列表 ├── src/ # 源代码目录 │ ├── spider.py # 爬虫主逻辑 │ ├── data_cleaner.py # 数据清洗函数 │ ├── analyzer.py # 数据分析与可视化函数 │ └── utils.py # 工具函数如日志、配置文件读取 ├── data/ # 数据目录 │ ├── raw_data.csv # 原始爬取数据 │ └── cleaned_data.csv # 清洗后数据 ├── output/ # 输出目录 │ ├── figures/ # 保存生成的图片 │ └── report.html # 最终的可视化报告 └── main.py # 项目主入口协调各模块执行3. 爬虫实战以“豆瓣电影Top250”为例的稳健实现我们以经典的“豆瓣电影Top250”作为数据源因为它结构清晰、数据公开且是静态页面非常适合教学和作业。但请注意实际爬取时应控制频率避免对服务器造成压力。3.1 环境准备与核心库选择首先确保你的Python环境建议3.7以上版本已安装必要的库。在项目根目录下创建requirements.txt文件并写入requests2.28.0 beautifulsoup44.11.0 pandas1.5.0 matplotlib3.6.0 seaborn0.12.0 lxml4.9.0然后在终端执行pip install -r requirements.txt一键安装。requests用于发送HTTP请求获取网页HTML内容。比Python内置的urllib更简洁易用。BeautifulSoup用于解析HTML/XML文档从复杂的标签结构中提取我们需要的数据。它搭配lxml解析器速度更快。pandas数据分析的核心提供DataFrame数据结构方便进行数据清洗、转换和分析。matplotlibseabornmatplotlib是绘图基础库功能强大但API稍显底层seaborn基于matplotlib提供了更高级的统计图形接口和更美观的默认样式两者常结合使用。3.2 爬虫核心代码拆解与反爬应对爬虫的核心逻辑是构造请求 - 获取响应 - 解析内容 - 保存数据。下面我们一步步实现。第一步分析页面结构与请求头设置打开豆瓣电影Top250页面按F12打开开发者工具。观察发现每页显示25部电影共10页。URL规律为https://movie.douban.com/top250?start{offset}其中offset是起始序号0, 25, 50...。直接使用requests.get(url)可能会被网站拒绝因为缺少了浏览器标识。我们需要模拟一个真实的浏览器请求头。import requests from bs4 import BeautifulSoup import pandas as pd import time import random headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36, Accept-Language: zh-CN,zh;q0.9, }User-Agent是告诉服务器我们是什么浏览器在访问这是绕过基础反爬最常见的一步。第二步实现单页数据抓取函数这个函数负责解析一个页面提取每部电影的信息。def parse_one_page(url): 解析单个页面返回电影信息列表 try: resp requests.get(url, headersheaders, timeout10) resp.raise_for_status() # 如果状态码不是200抛出异常 resp.encoding utf-8 except requests.RequestException as e: print(f请求页面失败: {url}, 错误: {e}) return [] soup BeautifulSoup(resp.text, lxml) movie_items soup.find_all(div, class_item) page_movies [] for item in movie_items: # 提取电影详情链接和标题 link item.find(a)[href] title_elem item.find(span, class_title) title title_elem.text.strip() if title_elem else N/A # 提取评分 rating_elem item.find(span, class_rating_num) rating float(rating_elem.text.strip()) if rating_elem else 0.0 # 提取评价人数需要处理“人评价”字符串 eval_elem item.find(div, class_star).find_all(span)[-1] eval_num_str eval_elem.text.replace(人评价, ).strip() # 处理可能的中文数字单位如“15万” if 万 in eval_num_str: eval_num float(eval_num_str.replace(万, )) * 10000 else: eval_num int(eval_num_str) if eval_num_str.isdigit() else 0 # 提取引用的短评 quote_elem item.find(span, class_inq) quote quote_elem.text.strip() if quote_elem else page_movies.append({ title: title, link: link, rating: rating, eval_num: eval_num, quote: quote }) return page_movies这里有几个关键点异常处理网络请求必须用try...except包裹并设置超时timeout避免程序因单个页面失败而卡死。健壮的解析使用if...else或三元表达式判断元素是否存在防止因个别电影信息缺失导致解析中断。数据清洗前置在提取过程中就处理掉无关字符如“人评价”、“万”并将字符串转换为数值类型为后续分析做准备。第三步控制爬取节奏与数据存储我们不能一口气请求所有页面需要在请求间加入随机延时这是对目标网站最基本的尊重。def crawl_all_pages(base_url, total_pages10): 爬取所有页面数据 all_movies [] for page in range(total_pages): offset page * 25 url f{base_url}?start{offset} print(f正在爬取第 {page1} 页: {url}) movies parse_one_page(url) if movies: all_movies.extend(movies) else: print(f第 {page1} 页爬取失败或为空。) # 随机延时模拟人类操作 time.sleep(random.uniform(1, 3)) # 转换为DataFrame并保存 df pd.DataFrame(all_movies) df.to_csv(./data/raw_douban_top250.csv, indexFalse, encodingutf-8-sig) print(f爬取完成共获取 {len(df)} 条数据已保存至 raw_douban_top250.csv) return df if __name__ __main__: base_url https://movie.douban.com/top250 raw_df crawl_all_pages(base_url)time.sleep(random.uniform(1, 3))这句代码至关重要它让每次请求间隔1到3秒大大降低了被封IP的风险。将数据保存为CSV时使用utf-8-sig编码可以避免用Excel打开时中文乱码。4. 数据清洗从“脏数据”到“干净数据表”爬取到的原始数据往往不能直接用于分析。我们加载刚保存的CSV文件进行清洗。import pandas as pd # 加载数据 df pd.read_csv(./data/raw_douban_top250.csv) # 1. 查看基本信息 print(df.info()) print(df.head()) # 2. 处理缺失值 print(缺失值统计) print(df.isnull().sum()) # 假设‘quote’短评字段允许为空我们将其空值填充为‘无’ df[quote].fillna(无, inplaceTrue) # 3. 处理重复值根据电影链接去重 df.drop_duplicates(subset[link], inplaceTrue) print(f去重后数据量{len(df)}) # 4. 检查并修正数据类型 # rating和eval_num在爬取时已转为数值型这里确认一下 df[rating] pd.to_numeric(df[rating], errorscoerce) df[eval_num] pd.to_numeric(df[eval_num], errorscoerce) # 5. 创建衍生字段例如根据评分划分等级 def rating_level(score): if score 9.0: return 神作 (≥9.0) elif score 8.0: return 优秀 (8.0-8.9) elif score 7.0: return 良好 (7.0-7.9) else: return 一般 (7.0) df[rating_level] df[rating].apply(rating_level) # 6. 保存清洗后的数据 df.to_csv(./data/cleaned_douban_top250.csv, indexFalse, encodingutf-8-sig) print(数据清洗完成已保存为 cleaned_douban_top250.csv)清洗过程是数据分析中耗时但至关重要的一步。这里我们做了几件事处理缺失值填充或删除、删除重复项、确保数据类型正确、创建新的分析维度评分等级。一个干净的DataFrame是后续所有分析工作的基础。5. 可视化分析与洞察用图表讲述数据故事现在我们手握一份干净的豆瓣Top250电影数据可以开始提出有趣的问题并用图表来解答了。我们将使用matplotlib和seaborn来制作图表。5.1 整体评分分布直方图与核密度估计首先我们想了解这250部顶尖电影的评分集中在哪个区间。import matplotlib.pyplot as plt import seaborn as sns # 设置中文字体和图表样式 plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei] # 用来正常显示中文标签 plt.rcParams[axes.unicode_minus] False # 用来正常显示负号 sns.set_style(whitegrid) # 绘制评分分布 plt.figure(figsize(12, 6)) # 子图1直方图 plt.subplot(1, 2, 1) plt.hist(df[rating], bins20, edgecolorblack, alpha0.7, colorskyblue) plt.xlabel(评分) plt.ylabel(电影数量) plt.title(豆瓣Top250电影评分分布直方图) # 添加平均线 mean_rating df[rating].mean() plt.axvline(mean_rating, colorred, linestyle--, linewidth2, labelf平均分: {mean_rating:.2f}) plt.legend() # 子图2核密度估计图更平滑的分布 plt.subplot(1, 2, 2) sns.kdeplot(df[rating], fillTrue, colororange) plt.xlabel(评分) plt.ylabel(密度) plt.title(评分分布核密度估计图) plt.axvline(mean_rating, colorred, linestyle--, linewidth2) plt.tight_layout() plt.savefig(./output/figures/rating_distribution.png, dpi300, bbox_inchestight) plt.show()这个分析能立刻告诉我们高分电影如9分以上是凤毛麟角大部分电影集中在8.2到8.8分之间。平均分线帮助我们快速定位分布的中心。5.2 评分与评价人数的关系散点图高分电影是否也意味着更多人评价我们可以用散点图来探索这两个数值变量之间的关系。plt.figure(figsize(10, 6)) # 使用评价人数的对数因为其数值跨度可能非常大取对数后更容易观察 scatter plt.scatter(df[rating], np.log10(df[eval_num] 1), # 1防止log(0) cdf[rating], cmapviridis, alpha0.6, s50) # s是点的大小 plt.colorbar(scatter, label评分) plt.xlabel(评分) plt.ylabel(评价人数 (log10)) plt.title(电影评分 vs. 评价人数对数尺度) plt.grid(True, linestyle--, alpha0.5) # 可以尝试标注一些异常点例如评分高但评价人数相对少的“冷门佳作” # 这里简单标注评分最高和评价人数最多的几部 top_rating_movies df.nlargest(3, rating) for _, row in top_rating_movies.iterrows(): plt.annotate(row[title][:10]..., # 只显示前10个字符 xy(row[rating], np.log10(row[eval_num] 1)), xytext(5, 5), textcoordsoffset points, fontsize8, alpha0.8) plt.savefig(./output/figures/rating_vs_eval.png, dpi300, bbox_inchestight) plt.show()散点图能直观揭示趋势。如果点呈右上倾斜的带状分布说明评分和热度评价人数正相关。我们取了评价人数的对数使得数量级差异巨大的数据能在同一幅图中清晰显示。标注点能增加图表的可读性和故事性。5.3 评分等级占比饼图或环形图之前我们创建了rating_level字段现在可以用饼图来展示各等级电影的构成。# 计算各等级数量 level_counts df[rating_level].value_counts() plt.figure(figsize(8, 8)) # 绘制环形图比普通饼图更美观 wedges, texts, autotexts plt.pie(level_counts.values, labelslevel_counts.index, autopct%1.1f%%, startangle90, colorssns.color_palette(pastel), wedgepropsdict(width0.3)) # 美化文本 for autotext in autotexts: autotext.set_color(black) autotext.set_fontsize(10) autotext.set_weight(bold) plt.title(豆瓣Top250电影评分等级分布环形图) plt.savefig(./output/figures/rating_level_donut.png, dpi300, bbox_inchestight) plt.show()饼图或环形图非常适合展示构成比例。从图中我们可以一眼看出“优秀”级别的电影占据了绝对主力“神作”占比虽小但代表了顶尖水平。这样的图表能让你的分析结论一目了然。5.4 进阶分析制作简单的仪表板如果你想更上一层楼可以尝试用pyecharts或Plotly制作交互式图表并整合到一个HTML报告中。这里以pyecharts为例制作一个包含多个图表的页面from pyecharts.charts import Page, Bar, Pie, Scatter from pyecharts import options as opts # 1. 评分分布柱状图 bar ( Bar() .add_xaxis([f{i/10:.1f}-{(i1)/10:.1f} for i in range(70, 101, 2)]) # 自定义区间 .add_yaxis(电影数量, df.groupby(pd.cut(df[rating], bins[i/10 for i in range(70, 102, 2)])).size().tolist()) .set_global_opts(title_optsopts.TitleOpts(title评分区间分布)) ) # 2. 评分等级饼图 pie ( Pie() .add(, [list(z) for z in zip(level_counts.index.tolist(), level_counts.values.tolist())]) .set_series_opts(label_optsopts.LabelOpts(formatter{b}: {c} ({d}%))) .set_global_opts(title_optsopts.TitleOpts(title评分等级占比), legend_optsopts.LegendOpts(orientvertical, pos_top15%, pos_left2%)) ) # 3. 将图表组合到同一个页面 page Page(layoutPage.SimplePageLayout) page.add(bar, pie) page.render(./output/report.html) print(交互式报告已生成./output/report.html)生成的report.html可以用浏览器直接打开图表支持鼠标悬停查看详情、缩放等交互操作视觉效果和专业性直接拉满。6. 项目整合、优化与答辩准备代码都写完了但一个高分项目还需要最后的打磨和包装。整合与运行创建一个main.py作为项目入口将爬虫、清洗、分析流程串联起来。# main.py import os from src.spider import crawl_all_pages from src.data_cleaner import clean_data from src.analyzer import generate_visualizations, create_html_report def main(): print( 豆瓣电影Top250数据分析项目开始 ) # 步骤1爬虫如果数据已存在可跳过 if not os.path.exists(./data/raw_douban_top250.csv): print(开始爬取数据...) raw_df crawl_all_pages(https://movie.douban.com/top250) else: print(检测到原始数据文件跳过爬取步骤。) # 步骤2数据清洗 print(开始数据清洗...) cleaned_df clean_data(./data/raw_douban_top250.csv) # 步骤3生成可视化图表和报告 print(生成可视化图表...) generate_visualizations(cleaned_df) create_html_report(cleaned_df) print( 项目执行完毕所有结果已保存在 ./output/ 目录下 ) if __name__ __main__: main()性能与健壮性优化异常处理在爬虫的每个关键步骤网络请求、解析、保存都添加try-except并记录日志确保单点失败不影响整体流程。配置化将headers、请求间隔时间、数据库连接字符串等参数写入一个config.py或config.ini文件方便修改。增量爬取如果你的项目需要定期更新数据可以实现增量逻辑。例如在存储时记录爬取时间下次只爬取新内容。使用Session对于需要登录或维护会话的网站使用requests.Session()可以保持cookies提高效率。答辩与报告撰写心得讲好故事你的报告或答辩PPT结构应该对应数据分析流程引言为什么分析这个- 数据获取怎么来的遇到了什么反爬如何解决- 数据清洗发现了什么数据问题如何处理- 分析可视化图表说明了什么现象得出什么结论- 总结与展望。突出亮点重点展示你解决的技术难点比如复杂的页面解析、高效的反爬策略、精美的可视化和独特的分析视角比如从数据中发现了什么有趣的洞察。代码注释与文档确保关键函数有清晰的注释。在项目根目录写一个详细的README.md说明项目背景、如何运行、文件结构、各模块功能。这是专业性的体现。准备QA提前思考老师可能会问的问题例如“如果网站改版了你的爬虫怎么适应”“你的数据清洗方法有什么局限性”“除了柱状图、饼图还有哪些可视化方式可以尝试”最后记住技术是为解决问题服务的。你的大作业价值不在于用了多少酷炫的库而在于你是否用一个清晰的逻辑完整地走完了从数据获取到价值呈现的全过程并在这个过程中展现了你的思考、解决问题的能力。把这个项目做扎实它不仅能帮你高分通过期末考核更能成为你简历上一个实实在在的、可展示的技能点。本文还有配套的精品资源点击获取