企业官网建设流程全解析

简介：本资源是一份面向高校计算机专业学生与Python初学者的完整课程设计项目，聚焦电影数据全链路处理实践，涵盖猫眼电影网站数据爬取、清洗分析及多维度可视化展示，可直接用于期末大作业或课程设计并获得高分参考。压缩包共42个文件，以11个核心Python脚本（含爬虫、数据分析、Flask后端及可视化模块）为主干，辅以5个HTML前端页面、5个JS交互脚本、1个SQL数据库文件及详细README文档，结构清晰、模块解耦，支持开箱即用与二次开发；配套9个pyc缓存文件与5个XML配置文件便于环境适配，整体仅422KB，轻量易部署。已有837人学习下载，项目获97分高分评价，代码全程中文注释，附带完整运行说明与技术文档，小白可快速上手，进阶者亦能基于现有Flask框架与Mako模板拓展API接口或增加图表类型。

1. 猫眼电影数据爬取不是“写个requests就完事”：它是一套闭环的课程设计级工程，含反爬绕过、结构化清洗、多维分析与ECharts动态看板，适合Python入门后想交出高分作业的学生和想快速复现真实场景的数据新人

你可能试过用requests.get()抓猫眼首页，结果返回一堆空 div 或者 403；也可能跑通了爬虫，但发现票房字段全是“暂无”，评分字段全是“—”，时间字段全是“上映中”——这不是代码写错了，是没理解猫眼的动态渲染+接口分流+字段脱敏三重机制。这个97分课程设计项目，恰恰把这三道坎全踩实了：它不用 Selenium 暴力模拟，而是精准定位猫眼 Web API 的加密参数生成逻辑；不靠正则硬扒 HTML，而是用jsonpath解析真实响应体；清洗阶段专门处理“2.3亿”→23000000、“12.5万观影人次”→125000 这类非标数字；可视化不是静态图，而是用 Flask + ECharts 渲染带下拉筛选、时间轴联动、票房/评分/热度三指标同屏对比的交互式看板。它不是玩具 demo，而是能直接放进课程设计答辩 PPT、附录里贴出可运行截图、老师扫码就能验证的完整工程。如果你正在赶期末大作业、需要一份“有细节、有注释、有文档、有避坑说明”的 Python 数据项目，它比网上零散的爬虫教程更接近真实开发节奏——毕竟，97分背后，是三次推倒重写的反爬策略和七版迭代的字段映射表。

2. 爬取层：绕过猫眼动态加密参数与频率限制，用 requests + execjs 复现前端 sign 生成逻辑

猫眼电影列表页（如https://maoyan.com/films?showType=1）看似是静态页面，实则所有关键数据（影片 ID、名称、评分、票房、上映时间）都由https://maoyan.com/ajax/movieOnInfoList这类接口返回，且请求头中必须携带X-Requested-With: XMLHttpRequest，URL 参数中必须包含uuid（设备唯一标识）、offset（分页偏移）、limit（单页数量），最关键的是sign字段——它是对timestamp + offset + limit组合字符串做 MD5 加密后再拼接特定 salt 的结果，而 salt 值藏在前端 JS 文件里。项目没用 Selenium 启动浏览器，而是用execjs调用本地 Node.js 环境执行猫眼官网加载的common.js片段，提取 salt 并复现 sign 生成函数。这种做法比硬编码 salt 更鲁棒，也比频繁换 User-Agent 更可持续。

2.1 提取猫眼前端加密 salt 的真实路径与解析逻辑

猫眼官网 JS 资源路径并非固定，项目通过分析https://maoyan.com/首页 HTML 中<script>标签的src属性，定位到类似/js/common.8a3b1c2d.js的文件（hash 值随版本变化）。下载该 JS 后，用正则匹配var salt = "([a-zA-Z0-9]+)";或const salt = "([a-zA-Z0-9]+)";模式提取 salt 值。注意：salt 不是全局常量，而是随 JS 版本更新而变更，因此项目在utils/crypt.py中封装了get_salt_from_js()函数，自动抓取并缓存最新 salt，避免手动更新。

# utils/crypt.py import re import requests from bs4 import BeautifulSoup def get_salt_from_js(): """从猫眼首页动态获取最新 salt 值""" headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36' } # 第一步：获取首页 HTML home_resp = requests.get('https://maoyan.com/', headers=headers, timeout=10) home_resp.raise_for_status() # 第二步：解析 script 标签，找到 common.js 路径 soup = BeautifulSoup(home_resp.text, 'html.parser') script_tags = soup.find_all('script', src=True) common_js_url = None for tag in script_tags: if 'common' in tag['src']: common_js_url = 'https:' + tag['src'] if tag['src'].startswith('//') else tag['src'] break if not common_js_url: raise ValueError("未找到 common.js 资源路径") # 第三步：下载 common.js 并提取 salt js_resp = requests.get(common_js_url, headers=headers, timeout=10) js_resp.raise_for_status() # 正则匹配 salt 定义（兼容 var/const/let） salt_match = re.search(r'(?:var|const|let)\s+salt\s*=\s*["\']([^"\']+)["\'];', js_resp.text) if not salt_match: raise ValueError("JS 文件中未找到 salt 定义") return salt_match.group(1)

提示：此函数需在首次运行时调用，结果建议存入config.py的SALT变量中，后续直接读取，避免每次启动都请求猫眼首页——既降低被风控概率，也提升启动速度。

2.2 用 execjs 复现前端 sign 生成函数，替代硬编码 MD5

猫眼 sign 生成逻辑为：sign = md5(timestamp + offset + limit + salt)，其中 timestamp 是毫秒级时间戳（精确到秒即可），offset 和 limit 是整数。项目未用 Python 的hashlib.md5()手动拼接，而是将前端 JS 中的 sign 函数（通常形如function getSign(t, o, l) { return md5(t + o + l + salt); }）提取出来，用execjs在 Python 中执行。这样做的好处是：当猫眼某天改用sha256或加入随机因子时，只需替换 JS 片段，无需重写 Python 逻辑。

# utils/crypt.py import execjs import time import hashlib # 从 cat-eye-master/static/js/sign_generator.js 中读取前端 sign 函数定义 # 该文件是项目预置的、已提取并适配的 JS 片段，内容类似： # const salt = "abc123"; # function getSign(timestamp, offset, limit) { # return md5(timestamp + offset + limit + salt); # } # 注意：md5 函数需在 JS 中自行实现或引入 crypto-js，项目已内置精简版 def generate_sign(timestamp, offset, limit): """调用 JS 环境生成 sign""" try: # 加载预置的 sign_generator.js with open('static/js/sign_generator.js', 'r', encoding='utf-8') as f: js_code = f.read() ctx = execjs.compile(js_code) return ctx.call('getSign', str(timestamp), str(offset), str(limit)) except Exception as e: # 回退到 Python 原生 MD5（仅用于调试，生产环境应确保 JS 存在） raw_str = f"{timestamp}{offset}{limit}{SALT}" return hashlib.md5(raw_str.encode()).hexdigest() # 示例调用 ts = int(time.time() * 1000) // 1000 # 秒级时间戳 sign = generate_sign(ts, 0, 10) # 获取前10部电影 print(f"生成 sign: {sign}")

注意：execjs需要系统已安装 Node.js（Windows 下推荐使用 nvm-windows 管理多版本），且sign_generator.js必须保证语法兼容性（避免使用 ES6+ 新特性）。项目static/js/目录下已提供经 Babel 转译的兼容版本，直接调用即可。

2.3 构建带重试与降频的请求会话，应对猫眼 429 和 503

猫眼对单 IP 的请求频率极为敏感，连续请求超过 3 次/秒大概率触发 429 Too Many Requests，长时间高频访问则返回 503 Service Unavailable。项目在api_1_0/utils.py中封装了MaoyanSession类，继承requests.Session，内置指数退避重试（最大 3 次）、随机延迟（0.5~2.5 秒）、请求头轮换（预置 5 组 UA）三大机制：

# api_1_0/utils.py import time import random import requests from requests.adapters import HTTPAdapter from urllib3.util.retry import Retry class MaoyanSession(requests.Session): def __init__(self): super().__init__() # 预置 UA 池（模拟不同设备/浏览器） self.ua_pool = [ 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36', 'Mozilla/5.0 (iPhone; CPU iPhone OS 16_6 like Mac OS X) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/16.6 Mobile/15E148 Safari/604.1', 'Mozilla/5.0 (Linux; Android 13; SM-S901B) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/112.0.0.0 Mobile Safari/537.36', 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36' ] # 配置重试策略 retry_strategy = Retry( total=3, backoff_factor=1, # 第一次重试延迟 1s，第二次 2s，第三次 4s status_forcelist=[429, 503, 502, 504], allowed_methods=["HEAD", "GET", "OPTIONS"] ) adapter = HTTPAdapter(max_retries=retry_strategy) self.mount("http://", adapter) self.mount("https://", adapter) def request(self, method, url, **kwargs): # 随机设置 UA kwargs.setdefault('headers', {})['User-Agent'] = random.choice(self.ua_pool) # 随机延迟（0.5~2.5秒） time.sleep(random.uniform(0.5, 2.5)) return super().request(method, url, **kwargs) # 使用示例 session = MaoyanSession() resp = session.get('https://maoyan.com/ajax/movieOnInfoList', params={'uuid': 'xxx', 'offset': 0, 'limit': 10, 'sign': 'yyy'})

关键点：backoff_factor=1表示重试间隔为2^retry_number * backoff_factor秒（即 1s、2s、4s），配合随机延迟，能有效规避猫眼的频率检测模型。UA 轮换不是为了伪装，而是让请求特征更接近真实用户集群行为。

3. 数据清洗与存储：从“暂无”“上映中”到标准数值，用 pandas 实现字段级规则引擎

爬取到的原始 JSON 数据充满业务语义噪声：“票房”字段可能是"2.3亿"、"12.5万"、"暂无"；“上映时间”可能是"2023-04-28"、"2023-04-28(中国大陆)"、"即将上映"；“评分”可能是"9.5"、"—","9.5分"。若直接丢进数据库或画图，图表会大量报错、排序错乱、统计失真。项目在model.py中定义了MovieDataCleaner类，不依赖模糊匹配或人工字典，而是为每个字段配置正则表达式 + 转换函数 + 缺失值策略的三元组规则，形成可插拔的清洗流水线。

3.1 定义票房字段清洗规则：支持“亿/万/千”单位自动换算与缺失值归零

票房字段（boxOffice）原始值格式混乱，需统一转为整型（单位：元）。规则引擎要求：匹配(\d+\.?\d*)[亿|万|千]，提取数字并按单位换算（1亿=1e8，1万=1e4，1千=1e3）；若含“暂无”“待定”等词，则置为 0；若为空字符串或 None，则置为 0。项目将规则写死在clean_rules.py中，便于测试与复用：

# utils/clean_rules.py import re BOX_OFFICE_RULES = { 'pattern': r'(\d+\.?\d*)([亿|万|千])', 'converter': lambda match: float(match.group(1)) * { '亿': 1e8, '万': 1e4, '千': 1e3 }.get(match.group(2), 1), 'default_value': 0, 'preprocess': lambda x: str(x).strip() if x else '' } def clean_box_office(raw_value): """清洗票房字段""" processed = BOX_OFFICE_RULES['preprocess'](raw_value) if '暂无' in processed or '待定' in processed or '未上映' in processed: return BOX_OFFICE_RULES['default_value'] # 尝试匹配带单位的数值 match = re.search(BOX_OFFICE_RULES['pattern'], processed) if match: return int(BOX_OFFICE_RULES['converter'](match)) # 尝试匹配纯数字（如 "123456789"） try: return int(float(processed.replace(',', ''))) except (ValueError, TypeError): return BOX_OFFICE_RULES['default_value'] # 测试 print(clean_box_office("2.3亿")) # 230000000 print(clean_box_office("12.5万")) # 125000 print(clean_box_office("暂无")) # 0 print(clean_box_office("123,456.78")) # 123456

注意：preprocess函数负责统一字符串格式（去空格、转字符串），converter是闭包函数，避免在正则匹配外重复计算单位系数。这种解耦设计让新增字段（如“观影人次”）只需复制规则模板，修改 pattern 和 converter 即可。

3.2 上映时间字段清洗：提取标准日期并标记状态类型（已上映/即将上映/未定）

上映时间（showTime）需拆解为两个维度：1）标准datetime.date对象（用于时间序列分析）；2）状态标签（'released'/'upcoming'/'unknown'），用于后续分组统计。项目用dateutil.parser.parse()尝试解析，失败则用正则提取YYYY-MM-DD，再根据是否早于当前日期判断状态：

# utils/clean_rules.py from datetime import date, datetime from dateutil import parser import re def clean_show_time(raw_value): """清洗上映时间字段，返回 (date_obj, status_tag) 元组""" if not raw_value: return None, 'unknown' raw_str = str(raw_value).strip() # 规则1：匹配 "YYYY-MM-DD" 格式 date_match = re.search(r'(\d{4})-(\d{1,2})-(\d{1,2})', raw_str) if date_match: try: d = date(int(date_match.group(1)), int(date_match.group(2)), int(date_match.group(3))) status = 'released' if d <= date.today() else 'upcoming' return d, status except (ValueError, TypeError): pass # 规则2：尝试用 dateutil 解析（兼容 "2023年4月28日" 等中文格式） try: parsed = parser.parse(raw_str, fuzzy=True) d = parsed.date() status = 'released' if d <= date.today() else 'upcoming' return d, status except (parser.ParserError, ValueError, TypeError): pass # 规则3：关键词匹配 if any(kw in raw_str for kw in ['即将上映', '预售中', '点映中']): return None, 'upcoming' if any(kw in raw_str for kw in ['未定', '待定', '暂无']): return None, 'unknown' return None, 'unknown' # 示例 print(clean_show_time("2023-04-28")) # (datetime.date(2023, 4, 28), 'released') print(clean_show_time("2023年4月28日")) # (datetime.date(2023, 4, 28), 'released') print(clean_show_time("即将上映")) # (None, 'upcoming') print(clean_show_time("2024-12-31(中国大陆)")) # (datetime.date(2024, 12, 31), 'upcoming')

关键点：fuzzy=True让dateutil.parser能容忍中文括号、空格等噪声；状态标签upcoming和released直接用于后续groupby分析，比用布尔值更语义清晰。

3.3 评分字段清洗：统一为浮点数，处理“—”“暂无”及小数点格式异常

评分（score）字段常见问题："9.5"→9.5，"9.5分"→9.5，"—"→None，"9,5"（欧洲格式）→9.5。项目采用两步法：先用正则提取所有数字和小数点，再转换为 float，失败则返回 None：

# utils/clean_rules.py import re def clean_score(raw_value): """清洗评分字段""" if not raw_value: return None raw_str = str(raw_value).strip() # 移除所有非数字、非小数点字符（保留 "9.5"、"9,5" 中的数字和分隔符） cleaned = re.sub(r'[^\d.,]', '', raw_str) if not cleaned: return None # 统一逗号为小数点（处理欧洲格式） cleaned = cleaned.replace(',', '.') # 提取第一个匹配的浮点数模式（如 "9.5.2" 只取 "9.5"） score_match = re.search(r'(\d+\.\d+|\d+)', cleaned) if score_match: try: return float(score_match.group(1)) except (ValueError, TypeError): pass return None # 测试 print(clean_score("9.5")) # 9.5 print(clean_score("9.5分")) # 9.5 print(clean_score("9,5")) # 9.5 print(clean_score("—")) # None print(clean_score("暂无")) # None print(clean_score("9.5.2")) # 9.5

提示：re.search(r'(\d+\.\d+|\d+)'优先匹配带小数点的数，再匹配整数，避免"9"被误认为"9."。返回None而非0，是因为评分缺失与评分为 0 语义完全不同，后续分析中None会被 pandas 自动忽略（如mean()不计入），而0会拉低均值。

4. 数据分析层：用 pandas 实现票房-评分-热度三维交叉分析，识别“叫好不叫座”与“叫座不叫好”影片

清洗后的数据存入 SQLite（cat_eye.db），表结构为movies(id, name, score, box_office, show_time, status, actors, directors, duration)。项目在script.py中构建了 5 个核心分析模块，全部基于 pandas DataFrame 操作，不依赖 SQL 复杂查询，确保小白也能看懂每行代码的业务含义。重点不是“算出均值”，而是用数据回答具体业务问题：哪些影片票房高但评分低？哪些影片评分高但票房差？不同类型影片的平均票房分布如何？

4.1 识别“叫好不叫座”影片：评分 ≥8.5 且票房 < 5000 万

这是课程设计中最常被问到的问题。项目用布尔索引 +query()方法实现，结果 DataFrame 包含影片名、评分、票房、上映日期，并按票房升序排列，方便找出最典型的案例：

# script.py import pandas as pd import sqlite3 conn = sqlite3.connect('cat_eye.db') df = pd.read_sql_query("SELECT * FROM movies WHERE score IS NOT NULL AND box_office IS NOT NULL", conn) # 识别“叫好不叫座”：评分≥8.5 且票房<5000万（50000000） good_but_low_box = df.query('score >= 8.5 and box_office < 50000000').sort_values('box_office').head(10) print("【叫好不叫座】Top 10（评分≥8.5，票房<5000万）：") print(good_but_low_box[['name', 'score', 'box_office', 'show_time']].to_string(index=False)) # 输出示例： # 【叫好不叫座】Top 10（评分≥8.5，票房<5000万）： # name score box_office show_time # 《宇宙探索编辑部》 8.7 48200000 2023-04-01 # 《人生大事》 7.3 171000000 2022-06-24 # ...（注意：此处仅为示意，实际数据需运行后查看）

逻辑说明：query()比df[(df.score>=8.5) & (df.box_office<5e7)]更易读；sort_values('box_office')让最低票房的影片排在最前，突出“叫好却卖不动”的极端案例；head(10)限制输出长度，避免刷屏。

4.2 识别“叫座不叫好”影片：票房 ≥5 亿且评分 ≤6.5

与上一节对称，此分析关注商业成功但口碑平庸的影片。项目额外增加了“票房/评分比值”列，量化“每一分评分对应的票房额”，比单纯看票房更反映市场接受度：

# script.py # 识别“叫座不叫好”：票房≥5亿（500000000）且评分≤6.5 big_but_low_score = df.query('box_office >= 500000000 and score <= 6.5').copy() big_but_low_score['box_per_score'] = big_but_low_score['box_office'] / big_but_low_score['score'] big_but_low_score = big_but_low_score.sort_values('box_per_score', ascending=False).head(10) print("\n【叫座不叫好】Top 10（票房≥5亿，评分≤6.5，按票房/评分比值排序）：") print(big_but_low_score[['name', 'score', 'box_office', 'box_per_score', 'show_time']].to_string( index=False, formatters={'box_office': '{:,.0f}'.format, 'box_per_score': '{:,.0f}'.format} )) # 输出示例（格式化后）： # name score box_office box_per_score show_time # 《满江红》 7.0 4,540,000,000 648,571,429 2023-01-22 # 《流浪地球2》 7.7 4,020,000,000 522,077,922 2023-01-22 # ...（注意：实际数据中需满足 score<=6.5 条件）

参数说明：formatters参数让大数字自动添加千位分隔符（4,540,000,000），提升可读性；box_per_score是核心指标，值越大说明“观众用真金白银投票，但专业评分不高”，典型如贺岁档合家欢电影。

4.3 类型片票房分布分析：用 value_counts + histplot 揭示“喜剧片是票房基本盘”

猫眼数据中无直接“类型”字段，但项目从actors和directors字段的文本中提取关键词（如“开心麻花”“宁浩”指向喜剧，“郭帆”“吴京”指向科幻/动作），构建简易类型标签。然后用groupby().agg()计算各类型平均票房、中位数票房、影片数量：

# script.py # 简易类型标注（基于导演/主演关键词） def guess_genre(row): director = str(row.get('directors', '')).lower() actor = str(row.get('actors', '')).lower() if '开心麻花' in director or '宁浩' in director or '黄渤' in actor or '沈腾' in actor: return 'comedy' elif '郭帆' in director or '吴京' in actor or '科幻' in str(row.get('name', '')): return 'sci_fi' elif '张艺谋' in director or '陈凯歌' in director or '文艺' in str(row.get('name', '')): return 'art_film' else: return 'other' df['genre'] = df.apply(guess_genre, axis=1) # 各类型票房统计 genre_stats = df.groupby('genre').agg({ 'box_office': ['count', 'mean', 'median'], 'score': ['mean', 'std'] }).round(2) print("\n【类型片票房与评分统计】（单位：元）：") print(genre_stats) # 输出示例： # box_office score # count mean median mean std # genre # art_film 12 8.2e+06 5.1e+06 7.2 0.82 # comedy 45 1.2e+08 9.5e+07 6.8 0.91 # sci_fi 18 3.4e+08 2.8e+08 7.1 0.75 # other 120 2.1e+07 1.3e+07 6.5 1.02

关键点：agg()一次性计算多个统计量，避免多次groupby；round(2)让浮点数显示简洁；count列暴露数据量差异（喜剧片数量最多），解释为何其平均票房虽非最高，却是“基本盘”。

5. 数据可视化层：Flask+ECharts 构建可交互的电影数据看板，支持下拉筛选与时间轴联动

项目最终交付物不是几张静态 PNG，而是一个本地运行的 Web 看板（http://127.0.0.1:5000）。它用 Flask 提供 API 接口（/api/movies返回 JSON），前端用 ECharts 渲染折线图（票房趋势）、柱状图（类型分布）、散点图（评分 vs 票房）、饼图（状态占比），所有图表支持鼠标悬停查看详情、点击图例开关系列、拖拽时间轴缩放。这不是炫技，而是课程设计答辩时老师最想看到的“可演示、可交互、可验证”成果。

5.1 Flask 后端：提供标准化 JSON 接口，支持分页与条件过滤

manager.py是 Flask 入口，定义了/api/movies接口，接收page、per_page、status（released/upcoming）、min_score等参数，返回符合筛选条件的影片列表。关键点在于：不返回原始数据库字段，而是返回清洗后、可直接用于 ECharts 的结构化 JSON：

# manager.py from flask import Flask, request, jsonify import pandas as pd import sqlite3 app = Flask(__name__) @app.route('/api/movies') def get_movies(): page = int(request.args.get('page', 1)) per_page = int(request.args.get('per_page', 20)) status = request.args.get('status') # released, upcoming, all min_score = float(request.args.get('min_score', 0)) conn = sqlite3.connect('cat_eye.db') # 构建动态 SQL 查询 query = "SELECT name, score, box_office, show_time, status, genre FROM movies WHERE 1=1" params = [] if status and status != 'all': query += " AND status = ?" params.append(status) if min_score > 0: query += " AND score >= ?" params.append(min_score) # 分页 offset = (page - 1) * per_page query += " LIMIT ? OFFSET ?" params.extend([per_page, offset]) df = pd.read_sql_query(query, conn, params=params) conn.close() # 转为 ECharts 兼容格式：数值字段保持原样，日期转字符串 result = df.to_dict('records') for item in result: if item['show_time']: item['show_time'] = item['show_time'].strftime('%Y-%m-%d') if hasattr(item['show_time'], 'strftime') else str(item['show_time']) return jsonify({ 'data': result, 'total': len(df), 'page': page, 'per_page': per_page }) if __name__ == '__main__': app.run(debug=True)

注意：strftime('%Y-%m-%d')确保日期字段是字符串而非datetime.date对象，避免 ECharts 解析失败；to_dict('records')生成标准 JSON 数组，无需额外序列化。

5.2 ECharts 前端：用 option 配置实现票房趋势折线图与评分-票房散点图联动

templates/index.html中嵌入两个 ECharts 实例：chart1（票房趋势）监听chart2（散点图）的点击事件，反之亦然。联动逻辑在static/js/main.js中实现，核心是chart.on('click', ...)和chart.dispatchAction({ type: 'highlight', ... })：

// static/js/main.js // 初始化票房趋势折线图 const chart1 = echarts.init(document.getElementById('trend-chart')); chart1.setOption({ title: { text: '近30日热门影片票房趋势' }, tooltip: { trigger: 'axis' }, xAxis: { type: 'category', data: [] }, // x轴为影片名 yAxis: { type: 'value', name: '票房（万元）' }, series: [{ name: '票房', type: 'line', data: [], smooth: true, emphasis: { focus: 'series' } }], legend: { data: ['票房'] } }); // 初始化评分-票房散点图 const chart2 = echarts.init(document.getElementById('scatter-chart')); chart2.setOption({ title: { text: '评分 vs 票房散点图' }, tooltip: { trigger: 'item', formatter: '{a}<br/>{b}: {c[0]}分, {c[1]}万元' }, xAxis: { type: 'value', name: '评分' }, yAxis: { type: 'value', name: '票房（万元）' }, series: [{ name: '影片', type: 'scatter', data: [], // 格式：[[score, box_office/10000, name], ...] symbolSize: function (data) { return Math.sqrt(data[1]) / 5; }, // 票房越大点越大 emphasis: { focus: 'self' } }] }); // 散点图点击时，高亮趋势图中对应影片 chart2.on('click', function (params) { const clickedName = params.data[2]; chart1.dispatchAction({ type: 'highlight', seriesIndex: 0, dataIndex: chart1.getDataSet().findIndex(d => d.name === clickedName) }); }); // 趋势图点击时，高亮散点图中对应影片 chart1.on('click', function (params) { const clickedName = params.name; const scatterData = chart2.getOption().series[0].data; const dataIndex = scatterData.findIndex(d => d[2] === clickedName); if (dataIndex !== -1) { chart2.dispatchAction({ type: 'highlight', seriesIndex: 0, dataIndex: dataIndex }); } });

关键点：symbolSize函数让散点大小与票房平方根成正比，视觉上更符合认知；dispatchAction({ type: 'highlight' })是 ECharts 官方推荐的联动方式，比手动 setOption 更高效；formatter中的{c[0]}分, {c[1]}万元直

本文还有配套的精品资源，点击获取