前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
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
获取数据
其实逻辑并不复杂：
1.爬取歌单列表里的所有歌单url。
2.进入每篇歌单爬取所有歌曲url，去重。
3.进入每首歌曲首页爬取热评，汇总。
歌单列表是这样的：
翻页并观察它的url变化，注意下方动图，每次翻页末尾变化35。
采用requests+pyquery来爬取
def get_list():
list1 = []
for i in range(0,1295,35):
url = 'https://music.163.com/discover/playlist/?order=hot&cat=%E5%8D%8E%E8%AF%AD&limit=35&offset='+str(i)
print('已成功采集%i页歌单\n' %(i/35+1))
data = []
html = restaurant(url)
doc = pq(html)
for i in range(1,36): # 一页35个歌单
a = doc('#m-pl-container > li:nth-child(' + str(i) +') > div > a').attr('href')
a1 = 'https://music.163.com/api' + a.replace('?','/detail?')
data.append(a1)
list1.extend(data)
time.sleep(5+random.random())
return list1
这样我们就可以获得38页每页35篇歌单，共1300+篇歌单。
下面我们需要进入每篇歌单爬取所有歌曲url，并且要注意最后“去重”，不同歌单可能包含同一首歌曲。
点开一篇歌单，注意红色圈出的id。
观察一下，我们要在每篇歌单下方获取的信息也就是红框圈出的这些，利用刚刚爬取到的歌单id和网易云音乐的api可以构造出：
不方便看的话我们解析一下json。
def get_playlist(url):
data = []
doc = get_json(url)
obj=json.loads(doc)
jobs=obj['result']['tracks']
for job in jobs:
dic = {}
dic['name']=jsonpath.jsonpath(job,'$..name')[0] #歌曲名称
dic['id']=jsonpath.jsonpath(job,'$..id')[0] #歌曲ID
data.append(dic)
return data
这样我们就获取了所有歌单下的歌曲，记得去重。
#去重
data = data.drop_duplicates(subset=None, keep='first', inplace=True)
剩下就是获取每首歌曲的热评了，与前面获取歌曲类似，也是根据api构造，很容易就找到了。
def get_comments(url,k):
data = []
doc = get_json(url)
obj=json.loads(doc)
jobs=obj['hotComments']
for job in jobs:
dic = {}
dic['content']=jsonpath.jsonpath(job,'$..content')[0]
dic['time']= stampToTime(jsonpath.jsonpath(job,'$..time')[0])
dic['userId']=jsonpath.jsonpath(job['user'],'$..userId')[0] #用户ID
dic['nickname']=jsonpath.jsonpath(job['user'],'$..nickname')[0]#用户名
dic['likedCount']=jsonpath.jsonpath(job,'$..likedCount')[0]
dic['name']= k
data.append(dic)
return data
汇总后就获得了44万条音乐热评数据。
数据分析
清洗填充一下。
def data_cleaning(data):
cols = data.columns
for col in cols:
if data[col].dtype == 'object':
data[col].fillna('缺失数据', inplace = True)
else:
data[col].fillna(0, inplace = True)
return(data)
按照点赞数排个序。
#排序
df1['likedCount'] = df1['likedCount'].astype('int')
df_2 = df1.sort_values(by="likedCount",ascending=False)
df_2.head()
再看看哪些热评是被复制粘贴搬来搬去的。
#排序
df_line = df.groupby(['content']).count().reset_index().sort_values(by="name",ascending=False)
df_line.head()
第一个和第三个只是末尾有没有句号的区别，可以归为一类。这样的话，重复次数最多个这句话竟然重复了412次，额~~
看看上热评次数次数最多的是哪位大神？从他的身上我们能学到什么经验？
df_user = df.groupby(['userId']).count().reset_index().sort_values(by="name",ascending=False)
df_user.head()
按照 user_id 汇总一下，排序。
成功“捕获”一枚“段子手”，上热评次数高达347，我们再看看这位大神究竟都评论些什么？
df_user_max = df.loc[(df['userId'] == 101***770)]
df_user_max.head()
这位“失眠的陈先生”看来各种情话娴熟于手啊，下面就以他举例来看看如何成为网易云音乐评论里的热评段子手吧。
数据可视化
先看看这347条评论的赞数分布。
#赞数分布图
import matplotlib.pyplot as plt
data = df_user_max['likedCount']
#data.to_csv("df_user_max.csv", index_label="index_label",encoding='utf-8-sig')
plt.hist(data,100,normed=True,facecolor='g',alpha=0.9)
plt.show()
很明显，赞数并不多，大部分都在500赞之内，几百赞却能跻身热评，这也侧面说明了这些歌曲是比较小众的，看来是经常在新歌区广撒网。
我们使用len() 求出每条评论的字符串长度，再画个分布图
评论的字数集中在18—30字之间，这说明在留言时要注意字数，保险的做法是不要太长让人读不下去，也不要太短以免不够经典。
做个词云。
