前言
在本人上的一门课中，老师对每个小组有个任务要求，介绍和完成一个小模块、工具知识的使用。然而我所在的组刚好遇到的是python爬虫的小课题。
心想这不是很简单嘛，搞啥呢？想着去搞新的时间精力可能不太够，索性自己就把豆瓣电影的评论(短评)搞一搞吧。
之前有写过哪吒那篇类似的，但今天这篇要写的像姨母般详细。本篇主要实现的是对任意一部电影短评(热门)的抓取以及可视化分析。也就是你只要提供链接和一些基本信息，他就可以
分析
对于豆瓣爬虫，what shold we 考虑？怎么分析呢？豆瓣电影首页
这个首先的话尝试就可以啦，打开任意一部电影，这里以姜子牙为例。打开姜子牙你就会发现它是非动态渲染的页面，也就是传统的渲染方式，直接请求这个url即可获取数据。但是翻着翻着页面你就会发现：未登录用户只能访问优先的界面，登录的用户才能有权限去访问后面的页面。
所以这个流程应该是登录——> 爬虫——>存储——>可视化分析。
这里提一下环境和所需要的安装装，环境为python3，代码在win和linux可成功跑，如果mac和linux不能跑友字体乱码问题还请私我。其中pip用到包如下,直接用清华 镜像下载不然很慢很慢(够贴心不)。
pip install requests -i https://pypi.tuna./simplepip install matplotlib -i https://pypi.tuna./simplepip install numpy -i https://pypi.tuna./simplepip install xlrd -i https://pypi.tuna./simplepip install xlwt -i https://pypi.tuna./simplepip install bs4 -i https://pypi.tuna./simplepip install lxml -i https://pypi.tuna./simplepip install wordcloud -i https://pypi.tuna./simplepip install jieba -i https://pypi.tuna./simple
登录
豆瓣的登录地址
进去后有个密码登录栏，我们要分析在登录的途中发生了啥，打开F12控制台是不够的，我们还要使用Fidder抓包。
打开F12控制台然后点击登录，多次试探之后发现登录接口也很简单：
查看请求的参数发现就是普通请求，无加密，当然这里可以用fidder进行抓包，这里我简单测试了一下用错误密码进行测试。如果失败的小伙伴可以尝试手动登陆再退出这样再跑程序。
这样编写登录模块的代码：
url='/j/mobile/login/basic'header={'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36','Referer': '/passport/login_popup?login_source=anony','Origin': '','content-Type':'application/x-www-form-urlencoded','x-requested-with':'XMLHttpRequest','accept':'application/json','accept-encoding':'gzip, deflate, br','accept-language':'zh-CN,zh;q=0.9','connection': 'keep-alive','Host': ''}data={'ck':'','name':'','password':'','remember':'false','ticket':''}def login(username,password):global datadata['name']=usernamedata['password']=passworddata=urllib.parse.urlencode(data)print(data)req=requests.post(url,headers=header,data=data,verify=False)cookies = requests.utils.dict_from_cookiejar(req.cookies)print(cookies)return cookies
这块高清之后，整个执行流程大概为：
爬取
成功登录之后，我们就可以携带登录的信息访问网站为所欲为的爬取信息了。虽然它是传统交互方式，但是每当你切换页面时候会发现有个ajax请求。
这部分接口我们可以直接拿到评论部分的数据，就不需要请求整个页面然后提取这部分的内容了。而这部分的url规律和之前分析的也是一样，只有一个start表示当前的条数在变化，所以直接拼凑url就行。
也就是用逻辑拼凑url一直到不能正确操作为止。
/subject/25907124/comments?percent_type=&start=0&其他参数省略/subject/25907124/comments?percent_type=&start=20&其他参数省略/subject/25907124/comments?percent_type=&start=40&其他参数省略
对于每个url访问之后如何提取信息呢？
我们根据css选择器进行筛选数据，因为每个评论他们的样式相同，在html中就很像一个列表中的元素一样。
再观察我们刚刚那个ajax接口返回的数据刚好是下面红色区域块，所以我们直接根据class搜素分成若干小组进行曹祖就可以。
在具体的实现上，我们使用requests发送请求获取结果，使用BeautifulSoup去解析html格式文件。
而我们所需要的数据也很容易分析对应部分。
实现的代码为：
import requestsfrom bs4 import BeautifulSoupurl='/subject/25907124/comments?percent_type=&start=0&limit=20&status=P&sort=new_score&comments_only=1&ck=C7di'header = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36',}req = requests.get(url,headers=header,verify=False)res = req.json() # 返回的结果是一个jsonres = res['html']soup = BeautifulSoup(res, 'lxml')node = soup.select('.comment-item')for va in node:name = va.a.get('title')star = va.select_one('.comment-info').select('span')[1].get('class')[0][-2]comment = va.select_one('.short').textvotes=va.select_one('.votes').textprint(name, star,votes, comment)
这个测试的执行结果为：
储存
数据爬取完就要考虑存储，我们将数据储存到cvs中。
使用xlwt将数据写入excel文件中，xlwt基本应用实例：
import xlwt#创建可写的workbook对象workbook = xlwt.Workbook(encoding='utf-8')#创建工作表sheetworksheet = workbook.add_sheet('sheet1')#往表中写内容,第一个参数 行,第二个参数列,第三个参数内容worksheet.write(0, 0, 'bigsai')#保存表为test.xlsxworkbook.save('test.xlsx')
使用xlrd读取excel文件中，本案例xlrd基本应用实例：
import xlrd#读取名称为test.xls文件workbook = xlrd.open_workbook('test.xls')# 获取第一张表table = workbook.sheets()[0] # 打开第1张表# 每一行是个元组nrows = table.nrowsfor i in range(nrows):print(table.row_values(i))#输出每一行
到这里，我们对登录模块+爬取模块+存储模块就可把数据存到本地了，具体整合的代码为：
import requestsfrom bs4 import BeautifulSoupimport urllib.parseimport xlwtimport xlrd# 账号密码def login(username, password):url = '/j/mobile/login/basic'header = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36','Referer': '/passport/login_popup?login_source=anony','Origin': '','content-Type': 'application/x-www-form-urlencoded','x-requested-with': 'XMLHttpRequest','accept': 'application/json','accept-encoding': 'gzip, deflate, br','accept-language': 'zh-CN,zh;q=0.9','connection': 'keep-alive', 'Host': ''}# 登陆需要携带的参数data = {'ck' : '','name': '','password': '','remember': 'false','ticket': ''}data['name'] = usernamedata['password'] = passworddata = urllib.parse.urlencode(data)print(data)req = requests.post(url, headers=header, data=data, verify=False)cookies = requests.utils.dict_from_cookiejar(req.cookies)print(cookies)return cookiesdef getcomment(cookies, mvid): # 参数为登录成功的cookies(后台可通过cookies识别用户，电影的id)start = 0w = xlwt.Workbook(encoding='ascii') # #创建可写的workbook对象ws = w.add_sheet('sheet1') # 创建工作表sheetindex = 1 # 表示行的意思，在xls文件中写入对应的行数while True:# 模拟浏览器头发送请求header = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36',}# try catch 尝试，一旦有错误说明执行完成，没错误继续进行try:# 拼凑url 每次star加20url = '/subject/' + str(mvid) + '/comments?start=' + str(start) + '&limit=20&sort=new_score&status=P&comments_only=1'start += 20# 发送请求req = requests.get(url, cookies=cookies, headers=header)# 返回的结果是个json字符串 通过req.json()方法获取数据res = req.json()res = res['html'] # 需要的数据在`html`键下soup = BeautifulSoup(res, 'lxml') # 把这个结构化html创建一个BeautifulSoup对象用来提取信息node = soup.select('.comment-item') # 每组class 均为comment-item 这样分成20条记录(每个url有20个评论)for va in node: # 遍历评论name = va.a.get('title') # 获取评论者名称star = va.select_one('.comment-info').select('span')[1].get('class')[0][-2] # 星数好评votes = va.select_one('.votes').text # 投票数comment = va.select_one('.short').text # 评论文本print(name, star, votes, comment)ws.write(index, 0, index) # 第index行，第0列写入 indexws.write(index, 1, name) # 第index行，第1列写入 评论者ws.write(index, 2, star) # 第index行，第2列写入 评星ws.write(index, 3, votes) # 第index行，第3列写入 投票数ws.write(index, 4, comment) # 第index行，第4列写入 评论内容index += 1except Exception as e: # 有异常退出print(e)breakw.save('test.xls') # 保存为test.xls文件if __name__ == '__main__':username = input('输入账号：')password = input('输入密码：')cookies = login(username, password)mvid = input('电影的id为：')getcomment(cookies, mvid)
执行之后成功存储数据：
可视化分析
我们要对评分进行统计、词频统计。还有就是生成词云展示。而对应的就是matplotlib、WordCloud库。
实现的逻辑思路：读取xls的文件，将评论使用分词处理统计词频，统计出现最多的词语制作成直方图和词语。将评星🌟数量做成饼图展示一下，主要代码均有注释，具体的代码为：
其中代码为：
import matplotlib.pyplot as pltimport matplotlibimport jiebaimport jieba.analyseimport xlwtimport xlrdfrom wordcloud import WordCloudimport numpy as npfrom collections import Counter# 设置字体 有的linux字体有问题matplotlib.rcParams['font.sans-serif'] = ['SimHei']matplotlib.rcParams['axes.unicode_minus'] = False# 类似comment 为评论的一些数据 [ ['1','名称'，'star星','赞同数','评论内容'] ,['2','名称'，'star星','赞同数','评论内容'] ]元组def anylasescore(comment):score = [0, 0, 0, 0, 0, 0] # 分别对应0 1 2 3 4 5分出现的次数count = 0 # 评分总次数for va in comment: # 遍历每条评论的数据 ['1','名称'，'star星','赞同数','评论内容']try:score[int(va[2])] += 1 # 第3列 为star星 要强制转换成int格式count += 1except Exception as e:continueprint(score)label = '1分', '2分', '3分', '4分', '5分'color = 'blue', 'orange', 'yellow', 'green', 'red' # 各类别颜色size = [0, 0, 0, 0, 0] # 一个百分比数字 合起来为100explode = [0, 0, 0, 0, 0] # explode :(每一块)离开中心距离；for i in range(1, 5): # 计算size[i] = score[i] * 100 / countexplode[i] = score[i] / count / 10pie = plt.pie(size, colors=color, explode=explode, labels=label, shadow=True, autopct='%1.1f%%')for font in pie[1]:font.set_size(8)for digit in pie[2]:digit.set_size(8)plt.axis('equal') # 该行代码使饼图长宽相等plt.title(u'各个评分占比', fontsize=12) # 标题plt.legend(loc=0, bbox_to_anchor=(0.82, 1)) # 图例# 设置legend的字体大小leg = plt.gca().get_legend()ltext = leg.get_texts()plt.setp(ltext, fontsize=6)plt.savefig("score.png")# 显示图plt.show()def getzhifang(map): # 直方图二维，需要x和y两个坐标x = []y = []for k, v in map.most_common(15): # 获取前15个最大数值x.append(k)y.append(v)Xi = np.array(x) # 转成numpy的坐标Yi = np.array(y)width = 0.6plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签plt.figure(figsize=(8, 6)) # 指定图像比例： 8：6plt.bar(Xi, Yi, width, color='blue', label='热门词频统计', alpha=0.8, )plt.xlabel("词频")plt.ylabel("次数")plt.savefig('zhifang.png')plt.show()returndef getciyun_most(map): # 获取词云# 一个存对应中文单词，一个存对应次数x = []y = []for k, v in map.most_common(300): # 在前300个常用词语中x.append(k)y.append(v)xi = x[0:150] # 截取前150个xi = ' '.join(xi) # 以空格 ` `将其分割为固定格式(词云需要)print(xi)# backgroud_Image = plt.imread('') # 如果需要个性化词云# 词云大小，字体等基本设置wc = WordCloud(background_color="white",width=1500, height=1200,# min_font_size=40,# mask=backgroud_Image,font_path="simhei.ttf",max_font_size=150, # 设置字体最大值random_state=50, # 设置有多少种随机生成状态，即有多少种配色方案) # 字体这里有个坑，一定要设这个参数。否则会显示一堆小方框wc.font_path="simhei.ttf" # 黑体# wc.font_path="simhei.ttf"my_wordcloud = wc.generate(xi) #需要放入词云的单词 ，这里前150个单词plt.imshow(my_wordcloud) # 展示my_wordcloud.to_file("img.jpg") # 保存xi = ' '.join(x[150:300]) # 再次获取后150个单词再保存一张词云my_wordcloud = wc.generate(xi)my_wordcloud.to_file("img2.jpg")plt.axis("off")def anylaseword(comment):# 这个过滤词，有些词语没意义需要过滤掉list = ['这个', '一个', '不少', '起来', '没有', '就是', '不是', '那个', '还是', '剧情', '这样', '那样', '这种', '那种', '故事', '人物', '什么']print(list)commnetstr = '' # 评论的字符串c = Counter() # python一种数据集合，用来存储字典index = 0for va in comment:seg_list = jieba.cut(va[4], cut_all=False) ## jieba分词index += 1for x in seg_list:if len(x) > 1 and x != '\r\n': # 不是单个字 并且不是特殊符号try:c[x] += 1 # 这个单词的次数加一except:continuecommnetstr += va[4]for (k, v) in c.most_common(): # 过滤掉次数小于5的单词if v < 5 or k in list:c.pop(k)continue# print(k,v)print(len(c), c)getzhifang(c) # 用这个数据进行画直方图getciyun_most(c) # 词云# print(commnetstr)def anylase():data = xlrd.open_workbook('test.xls') # 打开xls文件table = data.sheets()[0] # 打开第i张表nrows = table.nrows # 若干列的一个集合comment = []for i in range(nrows):comment.append(table.row_values(i)) # 将该列数据添加到元组中# print(comment)anylasescore(comment)anylaseword(comment)if __name__ == '__main__':anylase()
我们再来查看一下执行的效果：
这里我选了姜子牙和千与千寻电影的一些数据，两个电影评分比例对比为：
从评分可以看出明显千与千寻好评度更高，大部分人愿意给他五分。基本算是最好看的动漫之一了，再来看看直方图的词谱：
很明显千与千寻的作者更出名，并且有很大的影响力，以至于大家纷纷提起他。再看看两者词云图：
宫崎骏、白龙、婆婆，真的是满满的回忆，好了不说了，有啥想说的欢迎讨论！
PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取
python免费学习资料以及群交流解答点击即可加入
