|
Python 爬取《龙岭迷窟》评论 |
|
旁观者
L21
• 2021-03-07 • 回复 0 • 最后编辑于2021-03-07 11:13 • 只看楼主
• 举报
|
对于天下霸唱的鬼吹灯，相信很多小伙伴都知道，它可谓是国内盗墓寻宝系列小说的巅峰之作，最近得知该系列小说的《龙岭迷窟》部分被制作成了网剧，已经于 4 月 1 日开播了，主要演员潘粤明、姜超、张雨绮等都是一些大家比较熟悉的面孔，网剧质量、剧情还原度等到底怎么样呢？我们通过本文来简单了解一下。
我们都知道要了解一件事情是需要用数据说话的，本文数据来源我们还是选择豆瓣的评论区数据吧，先打开该剧豆瓣地址：https://movie.douban.com/subject/30488569/ 看一下：
我们发现目前已经有两万七千多人参与了评分且打 4 星和 5 星的人数居多，总体评分 8.3，算是一个比较优秀的分数了。
接着我们将网页向下拉到短评位置，如下所示：
目前有六千多人写了短评，但我们知道豆瓣最多只能查看 500 条短评数据，我们的数据来源就取 500 条短评数据。
获取数据
首先，我们通过 Python 爬取《龙岭迷窟》500 条豆瓣短评数据，爬取的具体细节这里就不说了，如果不了解的话，可以看一下：Python 分析电影《南方车站的聚会》。
我们爬取的数据项包括：评论用户、评论时间、评论星级、评论内容，爬取的数据我们存储到 csv 文件中，实现代码如下：
def spider():url = 'https://accounts.douban.com/j/mobile/login/basic'headers = {"User-Agent": 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)'}# 龙岭迷窟网址，为了动态翻页，start 后加了格式化数字，短评页面有 20 条数据，每页增加 20 条url_comment = 'https://movie.douban.com/subject/30488569/comments?start=%d&limit=20&sort=new_score&status=P'data = {'ck': '','name': '自己的用户名','password': '自己的密码','remember': 'false','ticket': ''}session = requests.session()session.post(url=url, headers=headers, data=data)# 初始化 4 个 list 分别存用户名、评星、时间、评论文字users = []stars = []times = []content = []# 抓取 500 条，每页 20 条，这也是豆瓣给的上限for i in range(0, 500, 20):# 获取 HTMLdata = session.get(url_comment % i, headers=headers)# 状态码 200 表是成功print('第', i, '页', '状态码：',data.status_code)# 暂停 0-1 秒时间，防止IP被封time.sleep(random.random())# 解析 HTMLselector = etree.HTML(data.text)# 用 xpath 获取单页所有评论comments = selector.xpath('//div[@class="comment"]')# 遍历所有评论，获取详细信息for comment in comments:# 获取用户名user = comment.xpath('.//h3/span[2]/a/text()')[0]# 获取评星star = comment.xpath('.//h3/span[2]/span[2]/@class')[0][7:8]# 获取时间date_time = comment.xpath('.//h3/span[2]/span[3]/@title')# 有的时间为空，需要判断下if len(date_time) != 0:date_time = date_time[0]date_time = date_time[:10]else:date_time = None# 获取评论文字comment_text = comment.xpath('.//p/span/text()')[0].strip()# 添加所有信息到列表users.append(user)stars.append(star)times.append(date_time)content.append(comment_text)# 用字典包装comment_dic = {'user': users, 'star': stars, 'time': times, 'comments': content}# 转换成 DataFrame 格式comment_df = pd.DataFrame(comment_dic)# 保存数据comment_df.to_csv('data.csv')# 将评论单独再保存下来comment_df['comments'].to_csv('comment.csv', index=False)
分析数据
数据我们已经取到了，接下来我们开始对所获取的数据进行分析。
评论数量
首先，我们来看一下不同时间用户的评论数量，实现代码如下：
csv_data = pd.read_csv('data.csv')df = pd.DataFrame(csv_data)df_gp = df.groupby(['time']).size()values = df_gp.values.tolist()index = df_gp.index.tolist()# 设置画布大小plt.figure(figsize=(8, 5))# 数据plt.plot(index, values, label='评论数')# 设置数字标签for a, b in zip(index, values):plt.text(a, b, b, ha='center', va='bottom', fontsize=13, color='black')plt.title('评论数量随时间变化折线图')plt.tick_params(labelsize=10)plt.ylim(0, 300)plt.legend(loc='upper right')plt.show()
看一下效果图：
尽管该剧截止目前只有 4 天的评论数据，我们从图中也不难发现一些规律：我们可以看出 4 月 1 日和 2 日两天的评论数量较多，其中 4 月 1 日为首播日，评论数量多合乎情理，而 4 月 2 日评论数量多于 4 月 1 日，我们可以推测是因为该剧播出之后迅速传播的结果，也就是让更多的人知道了该剧，之后随着时间的推移热度会有所下降，评论数量呈递减的趋势，评论数量变化的趋势也侧面反映了该剧热度变化的大致趋势。
人物角色
接着，我们来看所获取的评论数据中，剧中主要角色被提及的次数，实现代码如下：
csv_data = pd.read_csv('data.csv')roles = {'胡八一':0, '王胖子':0, '雪莉杨':0, '鹧鸪哨':0, '大金牙':0, '陈瞎子':0}names = list(roles.keys())for name in names:jieba.add_word(name)for row in csv_data['comments']:row = str(row)for name in names:count = row.count(name)roles[name] += countplt.figure(figsize=(8, 5))# 数据plt.bar(list(roles.keys()), list(roles.values()), width=0.5, label='提及次数', color=['r', 'dodgerblue', 'c', 'm', 'y', 'g'])# 设置数字标签for a, b in zip(list(roles.keys()), list(roles.values())):plt.text(a, b, b, ha='center', va='bottom', fontsize=13, color='black')plt.title('角色被提及次数柱状图')plt.xticks(rotation=270)plt.tick_params(labelsize=10)plt.ylim(0, 200)plt.legend(loc='upper right')plt.show()
看一下效果图：
从图中我们可以看出被提及角色数量的前三甲为：胡八一、王胖子、大金牙，通过角色被提及的次数，我们也可以大致推测出剧中角色的受欢迎程度，角色被提及的次数越多说明其受欢迎的程度应该越高。
评论星级
再接着，我们看一下该剧每天用户的评论星级，星级最高为 5 星，一天中如果有多条评论星级数据，我们则取其平均值，代码实现如下：
csv_data = pd.read_csv('data.csv')df_time = csv_data.groupby(['time']).size()df_star = csv_data.groupby(['star']).size()index = df_time.index.tolist()value = [0] * len(index)# 生成字典dic = dict(zip(index, value))for k, v in dic.items():stars = csv_data.loc[csv_data['time'] == str(k), 'star']# 平均值avg = np.mean(list(map(int, stars.values.tolist())))dic[k] = round(avg ,2)# 设置画布大小plt.figure(figsize=(8, 5))# 数据plt.plot(list(dic.keys()), list(dic.values()), label='星级', color='red', marker='o')plt.title('评论星级随时间变化折线图')plt.tick_params(labelsize=10)plt.ylim(0, 5)plt.legend(loc='upper right')plt.show()
看一下效果图：
我们从图中可以看出该剧评论星级大致维持在 4 星以上，说明大部分用户对于该剧的质量是比较认可的，评论星级也基本反映出了用户对于该剧的满意度。
词云展示
最后，我们对评论内容进行词云展示，看一下哪些词汇才是评论区的热门词汇，代码实现如下：
def jieba_():# 打开评论数据文件content = open('comment.csv', 'rb').read()# jieba 分词word_list = jieba.cut(content)words = []# 过滤掉的词remove_words = ['以及', '不会', '一些', '那个', '只有','不过', '东西', '这个', '所有', '这么','但是', '全片', '一点', '一部', '一个','什么', '虽然', '一切', '样子', '一样','只能', '不是', '一种', '这个', '为了']for word in word_list:if word not in remove_words:words.append(word)global word_cloud# 用逗号隔开词语word_cloud = '，'.join(words)def cloud():# 打开词云背景图cloud_mask = np.array(Image.open('bg.jpg'))# 定义词云的一些属性wc = WordCloud(# 背景图分割颜色为白色background_color='white',# 背景图样mask=cloud_mask,# 显示最大词数max_words=100,# 显示中文font_path='./fonts/simhei.ttf',# 最大尺寸max_font_size=80)global word_cloud# 词云函数x = wc.generate(word_cloud)# 生成词云图片image = x.to_image()# 展示词云图片image.show()# 保存词云图片wc.to_file('anjia.png')
看一下效果图：
链接：百度云链接 提取码：7dyc
