python数说成龙电影|从猫眼评论入手

作者：周萝卜

警告：本教程仅用作学习交流，请勿用作商业盈利，违者后果自负！如本文有侵犯任何组织集团公司的隐私或利益，请告知联系删除！！！

昨天爬了豆瓣上成龙出道以来的电影得分，发现大哥近些年电影水平确实有些下滑。今天再来搞猫眼，爬一爬猫眼上《龙牌之谜》的用户评论，看看这个口碑不佳的作品，用户的想法是怎么样的

分析猫眼网站

我们首先进入到猫眼，找到对应的电影，地址为：maoyan.com/films/34347页面拖到最下面，发现只有10条最热门的评论，其他评论去哪了？

浏览器手机模式

这里可以使用浏览器手机模式，在 Chrome 浏览器下，按 F12 打开开发者工具，再点击下图中的按钮，即可进入到手机模式
在这里插入图片描述
此时再重新刷新网页，发现我们已经神奇的进入到了猫眼的 M 站了

现在再拖动网页到最下部，点击查看全部评论，就可以进入到评论页面，查看全部的评论了。

寻找加载评论的接口

接下来我们继续下拉页面，发现评论是动态加载的。此时经验就非常重要了，我们让页面多加载加载评论几次，就能够发现一个“可疑”的请求，如下
在这里插入图片描述
它是以 comments 命名的啊，差不多就是它了。

接下来再查看其 response，确实就是评论内容，而且是清爽的 json 数据，很开心！

分析接口参数

我们先来观察下这个接口

http://m.maoyan.com/review/v2/comments.json?movieId=343473&userId=-1&offset=30&limit=15&ts=1567064825883&type=3

movieid 很显然就是电影的 id，不动
userid 是 -1，应该是我们没有登陆的原因
offset 经过尝试，相当于是 page 的作用，且每次的步长为 15
limit 应该是每次返回数据的数量

其他参数暂时不明

我们把该接口信息放到 postman 中，尝试着调用下

我去掉了 movieid 以外的所有参数，发现是可以调用成功的
在这里插入图片描述
查看接口返回数据的最后面，发现一个 paging 字段

"paging": {
        "hasMore": true,
        "limit": 10,
        "offset": 0,
        "total": 2838
    }

已经清楚的告诉了我们，还有更多数据（“hasMore”: true），每页限制为10（“limit”: 10），当前是第0页（“offset”: 0），总共的数据为2838条（“total”: 2838）。

最后经过测试，type = 3 会每次都会返回 hotComments 这个字段，而当 type = 2 时，则不会返回该字段，于是我选择使用 type 为2来发送请求，那么最终我决定使用的请求 url 就是如下：

http://m.maoyan.com/review/v2/comments.json?movieId=343473&offset=60&limit=15&type=2

offset 作为变量，循环替换即可。

编写爬虫代码

提取 json 数据

def get_json(res):
    data_list = []
    res_json = json.loads(res)
    data = res_json['data']['comments']
    for d in data:
        content = d['content']
        gender = d['gender']
        userLevel = d['userLevel']
        score = d['score']
        try:
            if len(d['tagList']) == 0:
                ticket = 0
            elif len(d['tagList']) == 1:
                if d['tagList'][0]['id'] == 4:
                    ticket = 1
                else:
                    ticket = 0
            elif len(d['tagList']) == 2:
                ticket == 1
        except:
            ticket = 0
        tmp = [content, gender, userLevel, score, ticket]
        data_list.append(tmp)
    return data_list

解析 json 就比较简单了，只要做好异常处理即可。

因为评论中有很多 emoji 表情，可以使用正则过滤掉

emoji_pattern = re.compile("["
        u"\U0001F600-\U0001F64F"  # emoticons
        u"\U0001F300-\U0001F5FF"  # symbols & pictographs
        u"\U0001F680-\U0001F6FF"  # transport & map symbols
        u"\U0001F1E0-\U0001F1FF"  # flags (iOS)
                           "]+", flags=re.UNICODE)
emoji_pattern1.sub(r'', str1)

最后保存数据到 csv 文件

def save_to_csv(data):
    with open('maoyan_data.csv', 'w', encoding='utf-8') as f:
        f.write('content,gender,userlevel,score,ticket\n')
        for d in data:
            try:
                row = '{},{},{},{},{}'.format(d[0], d[1], d[2], d[3], d[4])
                f.write(row)
                f.write('\n')
            except:
                continue

最后得到的数据如下：
在这里插入图片描述

数据可视化分析

性别分布

我们先来看下评论者的性别分布式怎样的
在这里插入图片描述
可以看出，男性观众的比例还是多一些，不过大多数都是每有设置性别，隐私工作做得很不多哦

用户等级

不出所料，大部分都是 level-0的用户，普通大众最普通，天下何止千千万。
评分分布

在这里插入图片描述
看到结果之后扎心不，打分数量最高的是0分，不知道如果可以打负分，那么情况会是怎么样

评论词云

最后，我们再来做一个词云，看看评论中的高频词汇都有哪些
在这里插入图片描述
老规矩，不对评论做过多点评不过还是忍不住要说一句，评论里面“好看”这个词出现的频率还是非常高的，看评论里有人说是水军，拿钱了，不知道你怎么看呢

完整代码

analyse.py

from pyecharts.charts import Pie
from pyecharts import options as opts
import pandas as pd
from wordcloud import WordCloud
import jieba
from PIL import Image
import numpy as np
'''
python学习交流群：1136201545更多学习资料可以加群获取
'''
font = r'C:\Windows\Fonts\FZSTK.TTF'
# STOPWORDS = set(map(str.strip, open('stopwords.txt', encoding='utf-8').readlines()))


def comment_wordcloud(data):
    df_list = data['content'].tolist()
    cut_word = "".join(jieba.cut(str(df_list), cut_all=False))
    img = Image.open('ciyun.jpg')
    img_array = np.array(img)
    wc = WordCloud(width=1800, height=1500, background_color='white', font_path=font, mask=img_array)
    wc.generate(cut_word)
    wc.to_file('word.png')


def get_data():
    data = pd.read_csv('maoyan_data.csv', encoding='utf-8')
    return data


def gender_pie(data):
    gender_list = []
    for i, j in enumerate(data['gender'].value_counts()):
        if i == 0:
            i = '未知'
        elif i == 1:
            i = '男'
        else:
            i = '女'
        gender_list.append([i, j])
    pie = Pie()
    pie.add("", gender_list)
    pie.set_global_opts(title_opts=opts.TitleOpts(title="性别分布"))
    pie.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
    pie.render("性别分布.html")


def level_pie(data):
    level_list = [[i, j] for i, j in enumerate(data['userlevel'].value_counts())]
    pie = Pie()
    pie.add("", level_list, radius=["40%", "75%"])
    pie.set_global_opts(
        title_opts=opts.TitleOpts(title="等级分布"),
        legend_opts=opts.LegendOpts(
            orient="vertical", pos_top="15%", pos_left="2%"
        ))
    pie.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
    pie.render("等级分布.html")


def score_pie(data):
    score_list = []
    for i, j in enumerate(data['score'].value_counts()):
        if i == 0:
            i = '0分'  # 当数据项名称为0时，不在图表中展示，这个疑为 echarts 的 bug
        score_list.append([i, j])
    pie = Pie()
    pie.add("", score_list, radius=["30%", "75%"], center=["50%", "50%"], rosetype="radius")
    pie.set_global_opts(
        title_opts=opts.TitleOpts(title="评分分布"),
        legend_opts=opts.LegendOpts(
            orient="vertical", pos_left="10%"
        ))
    pie.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{c}:{d}%"))
    pie.render("评分分布.html")


if __name__ == '__main__':
    data = get_data()
    # gender_pie(data)
    comment_wordcloud(data)

main.py

import requests
import re
import time
import os
'''
python学习交流群：821460695更多学习资料可以加群获取
'''

emoji_pattern = re.compile("["
    u"\U0001F600-\U0001F64F"  # emoticons
    u"\U0001F300-\U0001F5FF"  # symbols & pictographs
    u"\U0001F680-\U0001F6FF"  # transport & map symbols
    u"\U0001F1E0-\U0001F1FF"  # flags (iOS)
                       "]+", flags=re.UNICODE)


def fire():
    page = 0
    for i in range(15, 1200, 15):
        print("开始爬取第 %s 页" % page)
        url = 'http://m.maoyan.com/review/v2/comments.json?movieId=343473&offset={}&limit=15&type=2'.format(i)
        res = requests.get(url).json()
        if not res['paging']['hasMore']:
            print("爬取完成")
            break
        data = get_json(res)
        save_to_csv(data)
        time.sleep(1)
        page += 1


def get_json(res):
    data_list = []
    data = res['data']['comments']
    for d in data:
        content = d['content'].replace('\n', '').strip().replace(',', '，')
        content = emoji_pattern.sub(r'', content)
        gender = d['gender']
        userLevel = d['userLevel']
        score = d['score']
        ticket = 0
        try:
            if len(d['tagList']) == 0:
                ticket = 0
            elif len(d['tagList']) == 1:
                if d['tagList'][0]['id'] == 4:
                    ticket = 1
                else:
                    ticket = 0
            elif len(d['tagList']) == 2:
                ticket == 1
            else:
                ticket = 0
        except:
            ticket = 0
        tmp = [content, gender, userLevel, score, ticket]
        data_list.append(tmp)
    return data_list


def save_to_csv(data):
    if not os.path.exists(r'maoyan_data.csv'):
        with open('maoyan_data.csv', 'a+', encoding='utf-8') as f:
            f.write('content,gender,userlevel,score,ticket\n')
            for d in data:
                try:
                    row = '{},{},{},{},{}'.format(d[0], d[1], d[2], d[3], d[4])
                    f.write(row)
                    f.write('\n')
                except:
                    continue
    else:
        with open('maoyan_data.csv', 'a+', encoding='utf-8') as f:
            for d in data:
                try:
                    row = '{},{},{},{},{}'.format(d[0], d[1], d[2], d[3], d[4])
                    f.write(row)
                    f.write('\n')
                except:
                    continue


if __name__ == '__main__':
    fire()

Biegral Blog