本研究旨在利用Hadoop、Spark大数据处理平台，对豆瓣电影数据进行深入的分析与应用，以挖掘电影行业的潜在价值，为电影制作、营销和观众选择提供数据支持。通过构建分布式数据处理系统，实现了对海量科幻电影数据的存储、处理和分析。研究结果表明，Spark在处理大规模数据集时表现出色，显著提高了数据处理的效率和质量。同时，结合ECharts等可视化工具，将复杂的数据转化为直观的图表，使非专业用户也能轻松理解数据背后的信息。

在具体应用方面，系统主要实现了科幻电影管理、用户管理、数据可视化大屏等功能模块。科幻电影信息管理包括电影的增删改查、数据爬取和数据清洗，通过Django框架和Python爬虫技术，能够实时更新电影数据库，确保数据的时效性，采用协同过滤算法为用户推荐电影，为电影制作方和营销团队提供了宝贵的市场反馈。本研究不仅提升了电影行业的数据管理能力，还为电影创作、发行和推广提供了科学的决策依据，展现了大数据技术在文化领域的广泛应用前景。

系统使用收集评分统计，评分人数统计，类型统计，演员占比，用户年龄统计，性别占比，科幻电影信息，导演统计等行为数据的公开数据集，来构建电影的数据分析。用户可以通过查询条件的方式，让系统实现对相关数据的筛选和查询，并将查询结果在前端以图表的可视化方式展示出来，进而帮助用户理解数据。系统通过对用户数据的分析与挖掘，实现了对于科幻电影的解析和分类，系统提供了直观的豆瓣电影数据展示界面，查看到相应的分析结果。

数据采集功能：实现对豆瓣平台公共数据的采集，识别数据来源、区分数据类型，并进行数据完整性的验证，确保数据的准确性以及可靠性。

分布式存储功能：实现对已经处理过的数据进行分布式存储，采用MySQL、HDFS进行对数据的存储，以及支持异构端存储和具备高容错性，高可用性以及易扩展性。

数据分析功能：基于Spark分布式计算框架，实现对存储的数据进行了数据分析和挖掘。

数据可视化功能：使用ECharts、Vue、BootStrap等前端技术，对数据分析结果进行了可视化展示，以图表等可视化方式将数据展示，方便了用户分析和观察。系统功能模块图如图3-1所示。

图3-1 系统功能模块图

在数据可视化面板界面可以查看到所有数据的详情。数据看板集成了多个功能模块，为用户提供直观的数据展示和分析能力。数据可视化模块的实现依赖于多种技术的协同工作，使用Python编写的爬虫程序负责从豆瓣网站上抓取海量电影和评分数据，将这些非结构化数据导入到Hadoop分布式文件系统中进行存储和管理，利用Spark框架对这些大规模数据进行快速的计算和分析，sklearn机器学习搭建模型与预测，将处理后的结果存入Hive数据库中以方便后续查询和检索，后端采用Django框架搭建Web应用服务器，前端则使用Vue.js库来创建交互式界面，并通过Echarts图表库绘制各种可视化图形。

该数据可视化面板集成了多个功能模块，包括评分统计、导演统计、类型统计、演员占比、性别占比、用户年龄统计、科幻电影总数、用户总数、评分人数统计等。这些模块通过丰富的图表形式，如条形图、折线图、饼状图等，直观地展示了电影的评分分布、导演作品数量、电影类型比例、演员参与度、观众性别构成、用户年龄分布等信息，为用户提供了一个全面了解和分析电影市场动态的可视化平台。可视化效果图如下所示：

图5-1 数据可视化看板