本项目以电影数据为主题，以数据采集、处理、分析及数据可视化为项目流程，可实现百万级电影数据离线处理与计算。

项目详解：https://blog.csdn.net/qq_36816848/article/details/112861158.

开发环境：IDEA+Pycharm+Python3+hadoop2.8+hive2.3.0+mysql5.7+sqoop+spark

1.数据采集(pachong.py)、预处理： 采集豆瓣电影top250电影信息，采集电影名称、电影简介、电影评分、其他信息、电影连接等字段，抓取电影票房总收入排名情况（取前20），删除冗余和空值字，利用Python的PyMysql库连接本地Mysql数据库并导入movies表，可以将数据保存到本地，从而进行数据可视化展示，也可将数据导入到大数据的Hive数仓工具中，用于大数据分析。

采集数据展示： 排序 影片名称 类型 总票房（万） 场均人次 上映日期 1 战狼2 动作 567928 38 2017/7/27 2 哪吒之魔童降世 动画 501324 24 2019/7/26 3 流浪地球 科幻 468433 29 2019/2/5 4 复仇者联盟4：终局之战 动作 425024 23 2019/4/24 5 红海行动 动作 365079 33 2018/2/16 6 唐人街探案2 喜剧 339769 39 2018/2/16 7 美人鱼 喜剧 339211 44 2016/2/8 8 我和我的祖国 剧情 317152 36 2019/9/30 9 我不是药神 剧情 309996 27 2018/7/5 10 中国机长 剧情 291229 27 2019/9/30 2.数据统计及可视化： 数据可视化能使数据更加直观，更有利于分析，可以说可视化技术是数据分析与挖掘最重要的内容。Matplotlib作为基于Python语言的开源项目，旨在为Python提供一个数据绘图包，实现专业丰富的绘图功能。

（1）电影票房排名

利用Python中Matplotlib绘图库及Pandas中的pd.readcsv()方法读取Excel电影数据文件，读取每列数据进行，设置参数将结果绘制成折线图。

（2）电影评分排名douanscore.py

利用Python的Request、Beautifulsoup库进行爬虫，模拟请求获取网页数据，结合正则表达式匹配提取数据，并将豆瓣电影top250电影数据存储到Mysql数据库中,通过数据库语句使用order by实现电影top评分统计。

movie表结构：

属性 字段命名 类型 约束 id 序号 int primary key name 电影名称 VARCHAR(20) not null Link 电影连接 VARCHAR(100) not null score 评分 VARCHAR(5) not null descr 电影概述 VARCHAR(50) directer 导演及其他 VARCHAR(100) 最终电影数据结果如下：

利用数据库语句统计movies进行电影评分top20，并将结果通过Python的Matplotlib库进行数据可视化，绘图结果如下：

(3)Echarts最近上映电影

Echarts 主要用于数据可视化展示，是一个开源的JavaScript库，兼容现有绝大部分浏览器。在Python中，Echarts被包装成数据可视化工具库Pyecharts。它提供直观、丰富、可个性化定制的数据可视化图表，包括常规的折线图、柱状图、散点图、饼图等。

（4）影片《囧妈》短评信息

大年初一电影《囧妈》网络首映映，截止目前其豆瓣电影评分6.0分，通过电影《囧妈》的豆瓣热门短评进行案例分析，以八爪鱼软件为数据采集工具进行数据爬虫，采集字段有用户名、评级、点赞数和评论内容等信息，利用正则表达式匹配字段标签，根据豆瓣电影提供的评级星数系统显示力荐、推荐、还行、较差、很差等五个评级，满分为五星，数据格式如下：

（5）词图云cituyun.py

利用Python的jieba分词工具以及wordcloud库实现词云展示，截取电影《囧妈》评论一列，按照规定的停用词切割每行语句，实现分词功能。通过词图云展示可以直观地看出用户对电影的态度情况，数据展示结果如下：

（6）情感分析emotion.py

运用Python机器学习中的情感分析库Snownlp和绘图库pyplot挖掘囧妈短评数据，做出情感分析并展示。利用Snownlp中s.sentiments方法计算情感分数，分数在0.5以上判断为是好评，可以看到电影的评论差距明显。情感分析效果图如下：

（7）python词频统计wordcount.py

3.大数据分析： 大数据处理最重要的环节就是数据分析，数据分析通常分为两种：批处理和流处理。批处理是对一段时间内海量的离线数据进行统一处理，对应的处理框架Mapreduce、Spark等；流处理则是针对动态实时的数据处理，即在接收数据的同时就对其进行处理，对应的处理框架有 Storm、Spark Streaming、Flink等。本文以离线计算为主，介绍电影数据分析。

（1）Mapreduce离线计算(mapreduce_hive文件)

Mapreduce编程词频统计主要利用wordcount思想，通过按规定格式分割词句，实现单词统计词频。其统计数据为历史电影的上映信息，map阶段主要负责单词分割统计，map阶段把每个字符串映射成键、值对，按行将单词映射成（单词，1）形式，Shuffle过程会对map的结果进行分区排序，然后按照同一分区的输出合并在一起写入到磁盘中，最终得到一个分区有序的文件，最后reduce阶段会汇总统计出每个词对应个数，数据最终会存储在HDFS上。本文以电影词作为统计对象，实现单词统计词频功能。词频统计流程图如下：

map阶段会把每个字符串映射成键、值对，按行将单词映射成（单词，1）形式输出，其中shuffle过程会对map的结果进行分区排序，然后按照同一分区的输出合并在一起写入到磁盘中，最终得到一个分区有序的文件。通过Python编程实现Map阶段代码如下：

Map阶段代码：

import sys

for line in sys.stdin: ss = line.strip().split(' ') for s in ss: if s.strip() != "": print "%s\t%s" % (s, 1)

（2）reduce阶段

reduce阶段会汇总map阶段结果每个词对应个数，数据最终会存储在HDFS上。本文通过统计《哈利波特》英文电影文本，实现词频统计功能。实现Reduce阶段代码如下：

Reduce阶段代码：

import sys current_word = None count_pool = [] sum = 0

for line in sys.stdin: word, val = line.strip().split('\t') if current_word == None: current_word = word if current_word != word: for count in count_pool: sum += count print "%s\t%s" % (current_word, sum) current_word = word count_pool = [] sum = 0 count_pool.append(int(val)) for count in count_pool: sum += count print "%s\t%s" % (current_word, str(sum))

利用Hadoop Streaming可以使用任何可运行程序或语言作为Map和Reduce的创建和执行MapReduce作业，通过编写shell脚本执行wordcount统计结果如下：

（2）Hive数据仓库

Hive是一个基于Hadoop的数据仓库工具,主要用于解决海量结构化日志的数据统计，可以将结构化的数据文件映射成一张表，通过类SQL语句的方式对表内数据进行查询、统计分析。利用Sqoop数据传输工具可以将Mysql数据库信息导入到Hive数仓。

运用Hive可以实现海量数据分析，并且支持自定义函数，省去MapReduce编程。本文针对历史豆瓣电影数据进行统计，数据经过清洗，删除空值、多余项，得到大约100000多条电影数据，部分数据格式如下：

（1）建表

Hive建表分为内部表和外部表两种。创建内部表，表内数据将会移动到数据仓库指向的路径，删除表时，数据会随之删除；而外部表在删除时，不会删除数据表原有信息，相对更加安全。

本文电影表包括电影名称、评分、评论人数、类型、上映年份，以及总分等字段，数据默认逗号分隔，其中总分=电影评分*评论人数，数据创建命令如下：

create table IF NOT EXISTS movie1(name string,

score double,

people int,

type string,

address string,

time int,

sum float)

ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

（2）导入数据

Hadoop支持各类型文件上传到HDFS，可以通过本地命令直接上传到Hive中，也可以利用Sqoop数据传输工具实现将Mysql数据库与Hive数据库互传。本地导入命令如下：

load data local inpath '/douban/movie.csv' into table movie1;

（3）统计分析

Hive底层基于Mapreduce执行，利用distribute by和sort by命令可以实现分组排序，统计总分在1000000分以上电影数据，并按照评分、总得分降序顺序排列，优化后命令如下：

select name,score,sum,time

from movie1

where sum > 1000000

distribute by score sort by score desc,sum desc

limit 20;

（3）影片类型与票房统计图movietype.py

（5）导演与影片类型关系图director.py

（6）电影票房预测（电票票房预测.xls）

（7）电影评分预测scorepredict.py

额外电影数据集链接：https://pan.baidu.com/s/1ji3YIjCSGXbvFh7swiWdFg 提取码：1234 实现更多电影数据维度分析，后期更新。

Spark电影数据分析实战：https://github.com/GoAlers/Spark-Movie