Python爬虫+ K-means 聚类分析电影海报主色调

zbadderfzh 9年前

来自： http://datartisan.com/article/detail/89.html

每部电影都有自己的海报，即便是在如今这互联网时代，电影海报仍是一个强大的广告形式。每部电影都会根据自身的主题风格设计海报，精致的电影海报可以吸引人们的注意力。那么问题来了，不同风格的电影海报对颜色有什么样的偏好呢？

利用 Python 爬取海报数据

为了回答这个问题，我们需要分析不同风格电影的海报情况。首先，我们需要构建一个电影海报数据的数据集，因此我利用 Bing 图像搜索引擎来获取海报数据。

接下来我利用 Python 从网页中抓取电影海报数据并将其储存到本地电脑中，最终我得到四种电影类型(惊悚片、喜剧、动画片和动作片)的112张海报数据。

from bs4 import BeautifulSoupimport requestsimport reimport urllib2import osimport numpy as npdef get_soup(url):      return BeautifulSoup(requests.get(url).text)  image_type = "action movies"  query = "movie 2014 action movies poster"  url = "http://global.bing.com/images/search?q=" + query + "&qft=+filterui:imagesize-large&FORM=R5IR5"  soup = get_soup(url)  images = [a['src'] for a in soup.find_all("img", {"src": re.compile("mm.bing.net")})]for img in images:      raw_img = urllib2.urlopen(img).read()      cntr = len([i for i in os.listdir("images") if image_type in i]) + 1      f = open("images/" + image_type + "_" + str(cntr), "wb")      f.write(raw_img)      f.close()

其中部分海报数据如下图所示：

图像格式转换

为了提取海报的颜色信息，我们需要将图像转换为 RGB 像素矩阵。比如，对于 200*200 像素的图片，我们需要将其转换成含有 40000 个像素信息的对象。同时为了保持数据集的大小，我将图像的大小统一设定为 200*200。

def get_points(img):      points = []      w, h = img.size      for count, color in img.getcolors(w * h):          points.append(Point(color, 3, count))      return points  rtoh = lambda rgb: '#%s' % ''.join(('%02x' % p for p in rgb))