點(diǎn)擊上方“藍(lán)字”，感謝關(guān)注！

這段時(shí)間，《哪吒》爆火。

于是，就想看看，關(guān)于《哪吒》的評(píng)價(jià)。

為什么選擇豆瓣？

質(zhì)量和口碑還不錯(cuò)吧。

可是，折騰一波之后，發(fā)現(xiàn)了這個(gè)。

豆瓣從2017.10月開始全面禁止爬取數(shù)據(jù)，僅僅開放500條數(shù)據(jù)，白天1分鐘最多可以爬取40次，晚上一分鐘可爬取60次數(shù)，超過此次數(shù)則會(huì)封禁IP地址。

登錄狀態(tài)下，按網(wǎng)頁按鈕點(diǎn)擊“后頁”，參數(shù)“start”最多為480，也就是20*25=500條；非登錄狀態(tài)下，最多為200條。

行吧，500條就500條吧，Let's go。

整個(gè)過程分為兩部分：

1 獲取豆瓣短評(píng)數(shù)據(jù)

2 詞云可視化

1 獲取短評(píng)數(shù)據(jù)

1）爬蟲原理簡(jiǎn)單分析

2）需求分析

好了，爬蟲的基本思路我們已經(jīng)了解了。

現(xiàn)在，開始干活了。

首先，我們打開短評(píng)的url地址：

https://movie.douban.com/subject/26794435/comments?status=P

我們想要獲取以下內(nèi)容：

-用戶名稱

-評(píng)分

-短評(píng)內(nèi)容

3）URL解析

要想獲取數(shù)據(jù)，我們先來分析一下URL。

4）發(fā)送請(qǐng)求，獲取響應(yīng)

根據(jù)url，我們可以發(fā)送請(qǐng)求了，注意攜帶cookie。

先來爬一頁，看看結(jié)果。

import?requestsheaders?=?{'User-Agent':?'Mozilla/5.0?(Windows?NT?10.0;?Win64;?x64)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/76.0".3809.100?Safari/537.36','Cookie':?'你的cookie'}for?i?in?range(0,?1):url?=?'https://movie.douban.com/subject/26794435/comments?start={}&limit=20&sort=new_s'?\'core&status=P'.format(i*10)reponse?=?requests.get(url,?headers=headers)print(reponse.content.decode())

5）定位信息

從圖中，我們可以看到對(duì)應(yīng)的標(biāo)簽和屬性。

利用xpath，我們可以很輕松地定位到我們想要的信息。推薦《6節(jié)課學(xué)會(huì)python爬蟲》，里邊講解得很好。

先定位到，每一頁的“20個(gè)短評(píng)”對(duì)應(yīng)的xml位置。

再遍歷，每一個(gè)短評(píng)內(nèi)容。

結(jié)合代碼來看一下。

item_list?=?[]html?=?etree.HTML(reponse.content.decode()) div_list?=?html.xpath('//*[@id="comments"]//div[@class="comment"]')#?定位大塊 for?div?in?div_list:#?遍歷每一條信息item?=?{}#?./?注意從當(dāng)前節(jié)點(diǎn)，向下獲取 # 用戶姓名/用戶主頁的url/短評(píng)內(nèi)容/評(píng)分 item['user_name']?=?div.xpath('.//span[@class="comment-info"]/a/text()')[0]item['user_url']?=?div.xpath('.//span[@class="comment-info"]/a/@href')[0]item['content']?=?div.xpath('.//span[@class="short"]/text()')[0].replace('\n',?'')　item['score']?=?div.xpath('.//span[@class="comment-info"]/span/@title')[0]item_list.append(item)print(item)

5）保存結(jié)果

上邊，已經(jīng)把每一條數(shù)據(jù)，整理成一個(gè)字典。然后，把字典放在一個(gè)大的列表里。

這樣，我們可以很輕松的把數(shù)據(jù)導(dǎo)出為csv文件。

#?把數(shù)據(jù)存成csv文件import?pandas?as?pd df?=?pd.DataFrame(item_list)#?保證不亂碼 df.to_csv('哪吒短評(píng)數(shù)據(jù).csv',?encoding='utf_8_sig')

2 詞云可視化

1）jieba分詞

參考博客：

https://blog.csdn.net/dnxbjyj/article/details/72854460? ?

結(jié)巴分詞 是針對(duì)字符串進(jìn)行處理的，分詞后 會(huì)返回一個(gè)列表或者迭代器，你需要用 字符串的join方法，把詞語列表 重新拼接成一個(gè)字符串，然后把內(nèi)容給到 wordcloud 生成詞云。

import?pandas?as?pd import?jieba#?讀取數(shù)據(jù) df?=?pd.read_csv('哪吒短評(píng)數(shù)據(jù).csv',?encoding='utf-8-sig')text?=?'' #?獲得wordcloud?需要的?文本格式 for?line?in?df['content']:text?+=?'?'.join(jieba.cut(str(line),?cut_all=False))??#?結(jié)巴分詞

2）詞云展示

創(chuàng)建一個(gè)詞云對(duì)象，添加一些基本設(shè)置。比如，中文字體，背景圖片，停用詞等等。然后，根據(jù)上文中的 text，生成詞云。

我們可以看一下，文本中最高頻的50個(gè)詞。并把詞云保存為本地圖片。

from?wordcloud?import?WordCloud import?matplotlib.pyplot?as?plt#?停用詞 words?=?pd.read_csv('stopwords_zh.txt',?error_bad_lines=False,?encoding='gbk',?engine?='python',?names=['stopword'])stopwords?=?set('') stopwords.update(words['stopword'])backgroud_Image?=?plt.imread('豆瓣.jpg')??#?背景圖#?詞云的一些參數(shù)設(shè)置 wc?=?WordCloud(background_color='white',mask=backgroud_Image,font_path='SourceHanSerifCN-Medium.otf',max_words=200,max_font_size=200,min_font_size=8,random_state=50,stopwords=stopwords)#?print(text)#?生成詞云 word_cloud?=?wc.generate_from_text(text)#?看看詞頻高的有哪些 process_word?=?WordCloud.process_text(wc,?text) sort?=?sorted(process_word.items(),?key=lambda?e:?e[1],?reverse=True) print(sort[:50])plt.imshow(word_cloud) plt.axis('off')wc.to_file('結(jié)果.jpg') print('生成詞云成功!')

看一下高頻詞的結(jié)果。?

[('哪吒',?24),?('電影',?9),?('這部',?8),?('故事',?8),? ('動(dòng)畫',?6),?('國產(chǎn)?動(dòng)畫',?6),?('不由',?5),?('國漫',?5),? ('想象力',?5),?('國產(chǎn)',?5),?('人物',?5),?('我命',?4),?('一部',?4),? ('中國',?4),?('觀眾',?4),?('更是',?4),?('角色',?3),?('成見',?3),('笑料',?3),?('暑期',?3),?('不錯(cuò)',?3),?('有人',?3),?('神話',?3),? ('形式',?3),?('良心',?3),?('熱血',?3),?('動(dòng)畫電影',?3),?('成熟',?3),? ('優(yōu)秀',?3),?('白蛇',?3),?('喜劇',?3),?('改編',?3),?('內(nèi)核',?3),? ('最佳',?3),?('飽滿',?3),?('作品',?3),?('高潮',?3),?('場(chǎng)面',?3), ('大圣?歸來',?3),?('缺陷',?2),?('本片',?2),?('打破',?2),? ('偏見',?2),?('政治',?2),?('正確',?2),?('妖怪',?2),? ('爛片',?2),?('社稷',?2),?('震撼',?2),?('封神',?2)]

看一下詞云。

總結(jié)來了

我把文章中的一些重要的內(nèi)容，總結(jié)在了下面的一張圖里，方便大家保存、查閱。

我把源文件及相關(guān)數(shù)據(jù)都打包好了，后臺(tái)回復(fù)【哪吒】，一鍵提取。

這個(gè)小例子，挺基礎(chǔ)的，適合入門的同學(xué)，但知識(shí)點(diǎn)也挺多的。

推薦閱讀：（點(diǎn)擊下方標(biāo)題即可跳轉(zhuǎn)）沒看完這11 條，別說你精通 Python 裝飾器
張飛比關(guān)羽還能打？一位酷愛三國的日本程序員，用NLP分析了武將們的戰(zhàn)斗力

??歡迎長(zhǎng)按圖片識(shí)別二維碼關(guān)注～

總結(jié)

以上是生活随笔為你收集整理的爬取《哪吒》豆瓣短评，我得到了什么？的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。