歡迎光臨
每天分享高質量文章
當前位置：知識星球 > 後端 > 正文

我爬取豆瓣影評，告訴你《復仇者聯盟3》在講什麼？

2018-06-05 分類：後端 閱讀(326) 評論(0)

來自：極客猴（微訊號：Geek_monkey）

《復仇者聯盟3：無限戰爭》於 2018 年 5 月 11 日在中國大陸上映。截止 5 月 16 日，它累計票房達到 15.25 億。這票房紀錄已經超過了漫威系列單部電影的票房紀錄。不得不說，漫威電影已經成為一種文化潮流。

先貼海報欣賞下：

圖片來自時光網

復聯 3 作為漫威 10 年一劍的收官之作。漫威確認下了很多功夫， 給我們奉獻一部精彩絕倫的電影。自己也利用週末時間去電影院觀看。看完之後，個人覺得無論在打鬥特效方面還是故事情節，都是給人愉悅的享受。同時，電影還保持以往幽默搞笑的風格，經常能把觀眾逗得捧腹大笑。如果還沒有去觀看的朋友，可以去電影院看看，確實值得一看。

本文透過 Python 製作網路爬蟲，爬取豆瓣電影評論，並分析然後製作豆瓣影評的雲圖。

1 分析

先透過影評網頁確定爬取的內容。我要爬取的是使用者名稱，是否看過，五星評論值，評論時間，有用數以及評論內容。

然後確定每頁評論的 url 結構。
第二頁 url 地址：

第三頁 url 地址：

最後發現其中的規律：除了首頁，後面的每頁 url 地址中只有 start= 的值逐頁遞增，其他都是不變的。

2 資料爬取

本文爬取資料，採用的主要是 requests 庫和 lxml 庫中 Xpath。豆瓣網站雖然對網路爬蟲算是很友好，但是還是有反爬蟲機制。如果你沒有設定延遲，一下子發起大量請求，會被封 IP 的。另外，如果沒有登入豆瓣，只能訪問前 10 頁的影片。因此，發起爬取資料的 HTTP 請求要帶上自己賬號的 cookie。搞到 cookie 也不是難事，可以透過瀏覽器登入豆瓣，然後在開發者樣式中獲取。

我想從影評首頁開始爬取，爬取入口是：https://movie.douban.com/subject/24773958/comments?status=P，然後依次獲取頁面中下一頁的 url 地址以及需要爬取的內容，接著繼續訪問下一個頁面的地址。

import jieba
import requests
import pandas 
as pd
import time
import random
from lxml 
import etree

def start_spider():
    base_url = 
'https://movie.douban.com/subject/24773958/comments'
    start_url = base_url + 
'?start=0' 

    number = 
1
    html = request_get(start_url) 


    while html.status_code == 
200:
        # 獲取下一頁的 url
        selector = etree.HTML(html.text)
        nextpage = selector.xpath("//div[@id='paginator']/a[@class='next']/@href")
        nextpage = nextpage[0]
        next_url = base_url + nextpage
        # 獲取評論
        comments = selector.xpath("//div[@class='comment']")
        marvelthree = []
        for each 
in comments:
            marvelthree.append(get_comments(each))

        data = pd.DataFrame(marvelthree)
        # 寫入csv檔案,'a+'是追加樣式
        try:
            if number == 
1:
                csv_essay-headers = ['使用者', 
'是否看過', 
'五星評分', 
'評論時間', 
'有用數', 
'評論內容']
                data.to_csv('./Marvel3_yingpping.csv', essay-header=csv_essay-headers, index=False, mode='a+', encoding='utf-8')
            else:
                data.to_csv('./Marvel3_yingpping.csv', essay-header=False, index=False, mode='a+', encoding='utf-8')
        except UnicodeEncodeError:
            print("編碼錯誤, 該資料無法寫到檔案中, 直接忽略該資料")

        data = []

        html = request_get(next_url)

我在請求頭中增加隨機變化的 User-agent, 增加 cookie。最後增加請求的隨機等待時間，防止請求過猛被封 IP。

def request_get(url):
    '''
    使用 Session 能夠跨請求保持某些引數。
    它也會在同一個 Session 實體發出的所有請求之間保持 cookie
    '''
    timeout = 
3

    UserAgent_List = [
        "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2227.1 Safari/537.36",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2227.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2227.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2226.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.4; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2225.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2225.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2224.3 Safari/537.36",
        "Mozilla/5.0 (Windows NT 10.0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/40.0.2214.93 Safari/537.36",
        "Mozilla/5.0 (Windows NT 10.0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/40.0.2214.93 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2049.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 4.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2049.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1985.67 Safari/537.36",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1985.67 Safari/537.36",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.3319.102 Safari/537.36",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.2309.372 Safari/537.36",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.2117.157 Safari/537.36",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.47 Safari/537.36",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1866.237 Safari/537.36",
    ]

    essay-header = {
        'User-agent': random.choice(UserAgent_List),
        'Host': 
'movie.douban.com',
        'Referer': 
'https://movie.douban.com/subject/24773958/?from=showing',
    }

    session = requests.Session()

    cookie = {
        'cookie': 
"你的 cookie 值",
    }

    time.sleep(random.randint(5, 
15))  
    response = requests.get(url, essay-headers=essay-header, cookies=cookie_nologin, timeout = 
3)
    if response.status_code != 
200:
        print(response.status_code)
    return response

最後一步就是資料獲取：

def get_comments(eachComment):
    commentlist = []
    user = eachComment.xpath("./h3/span[@class='comment-info']/a/text()")[0]  # 使用者
    watched = eachComment.xpath("./h3/span[@class='comment-info']/span[1]/text()")[0]  # 是否看過
    rating = eachComment.xpath("./h3/span[@class='comment-info']/span[2]/@title")  # 五星評分
    if len(rating) > 
0:
        rating = rating[0]

    comment_time = eachComment.xpath("./h3/span[@class='comment-info']/span[3]/@title")  # 評論時間
    if len(comment_time) > 
0:
        comment_time = comment_time[0]
    else:
        # 有些評論是沒有五星評分, 需賦空值
        comment_time = rating
        rating = 
''

    votes = eachComment.xpath("./h3/span[@class='comment-vote']/span/text()")[0]  # "有用"數
    content = eachComment.xpath("./p/text()")[0]  # 評論內容

    commentlist.append(user)
    commentlist.append(watched)
    commentlist.append(rating)
    commentlist.append(comment_time)
    commentlist.append(votes)
    commentlist.append(content.strip())
    # print(list)
    return commentlist

3 製作雲圖

因為爬取出來評論資料都是一大串字串，所以需要對每個句子進行分詞，然後統計每個詞語出現的評論。我採用 jieba 庫來進行分詞，製作雲圖，我則是將分詞後的資料丟給網站 worditout 處理。

def split_word():
    with codecs.open('Marvel3_yingpping.csv', 
'r', 
'utf-8') 
as csvfile:
        reader = csv.reader(csvfile)
        content_list = []
        for row 
in reader:
            try:
                content_list.append(row[5])
            except IndexError:
                pass

        content = 
''.join(content_list)

        seg_list = jieba.cut(content, cut_all=False)
        result = 
'
'.join(seg_list)
        print(result)

最後製作出來的雲圖效果是：

“滅霸”詞語出現頻率最高，其實這一點不意外。因為復聯 3 整部電影的故事情節大概是，滅霸在宇宙各個星球上收集 6 顆無限寶石，然後每個超級英雄為了防止滅霸毀滅整個宇宙，組隊來阻止滅霸。

-END-

●編號425，輸入編號直達本文

●輸入m獲取文章目錄

推薦↓↓↓

大資料與人工智慧

更多推薦《18個技術類公眾微信》

涵蓋：程式人生、演演算法與資料結構、駭客技術與網路安全、大資料技術、前端開發、Java、Python、Web開發、安卓開發、iOS開發、C/C++、.NET、Linux、資料庫、運維等。

贊(0)
標籤：

相關推薦

熱門標籤

iOS (11238)微軟 (4955)Linux (4274)安全 (4180)Python (4161)效能 (3165)運維 (2774)最佳化 (2419).NET (2262)Google (2136)機器學習 (1795)併發 (1613)分散式 (1559)叢集 (1240)SQL (1174)Mysql (1060)區塊鏈 (1017)Docker (977)微服務 (922)面試 (919)Apache (743)NLP (725)Redis (719)Android (668)Git (640)架構師 (632)Nginx (630)Facebook (599)JVM (595)爬蟲 (476)

熱門文章

分享創造快樂