python爬虫实战：分析豆瓣中最新电影的影评

本文参考来源：https://segmentfault.com/a/1190000010473819【有部分修改，和运行问题优化】

简介

刚接触python不久，做一个小项目来练练手。前几天看了《战狼2》，发现它在最新上映的电影里面是排行第一的，如下图所示。准备把豆瓣上对它的影评做一个分析。

目标总览

主要做了三件事：

抓取网页数据
清理数据
用词云进行展示

使用的python版本是3.6

一、抓取网页数据

第一步要对网页进行访问，python中使用的是urllib库。代码如下：

from urllib import request

resp = request.urlopen('https://movie.douban.com/nowplaying/hangzhou/')

html_data = resp.read().decode('utf-8')

[/code]

其中https://movie.douban.com/nowp...是豆瓣最新上映的电影页面，可以在浏览器中输入该网址进行查看。

html_data是字符串类型的变量，里面存放了网页的html代码。

输入

print(html_data)

可以查看，如下图所示：



第二步，需要对得到的html代码进行解析，得到里面提取我们需要的数据。

在python中使用BeautifulSoup库进行html代码的解析。

（注：如果没有安装此库，则使用

pip install BeautifulSoup

进行安装即可！）

BeautifulSoup使用的格式如下：

BeautifulSoup(html,"html.parser")

[/code]

第一个参数为需要提取数据的html，第二个参数是指定解析器，然后使用

find_all()

读取html标签中的内容。

但是html中有这么多的标签，该读取哪些标签呢？其实，最简单的办法是我们可以打开我们爬取网页的html代码，然后查看我们需要的数据在哪个html标签里面，再进行读取就可以了。如下图所示：



从上图中可以看出在

div id="nowplaying"

标签开始是我们想要的数据，里面有电影的名称、评分、主演等信息。所以相应的代码编写

nowplaying_movie_list

是一个列表，可以用

print(nowplaying_movie_list[0])

查看里面的内容，如下图所示：





在上图中可以看到data-subject属性[或id属性]里面放了电影的id号码，而在img标签的alt属性[或data-title属性]里面放了电影的名字，因此我们就通过这两个属性来得到电影的id和名称。（注：打开电影短评的网页时需要用到电影的id，所以需要对它进行解析），编写代码如下：

nowplaying_list = []

for item in nowplaying_movie_list:

nowplaying_dict = {}

nowplaying_dict['id'] = item['data-subject']

nowplaying_dict['name'] = item['data-title']

# nowplaying_list.append(nowplaying_dict)

# for tag_img_item in item.find_all('img'):

#     nowplaying_dict['name'] = tag_img_item['alt']

nowplaying_list.append(nowplaying_dict)

[/code]

其中列表nowplaying_list中就存放了最新电影的id和名称，可以使用

print(nowplaying_list)

进行查看，如下图所示：



可以看到和豆瓣网址上面是匹配的。这样就得到了最新电影的信息了。接下来就要进行对最新电影短评进行分析了。例如《战狼2》的短评网址为：

https://movie.douban.com/subject/26363254/comments?start=0&limit=20

其中

26363254

就是电影的id，

start=0

表示评论的第0条评论。

接下来接对该网址进行解析了。打开上图中的短评页面的html代码，我们发现关于评论的数据是在

div

标签的

comment

属性下面，如下图所示：





因此对此标签进行解析，代码如下：

requrl = 'https://movie.douban.com/subject/' + nowplaying_list[0]['id'] + '/comments' +'?' +'start=0' + '&limit=20'
resp = request.urlopen(requrl)
html_data = resp.read().decode('utf-8')
soup = bs(html_data, 'html.parser')
comment_div_lits= soup.find_all('div', class_='comment')

此时在

comment_div_lits

列表中存放的就是div标签和comment属性下面的html代码了。在上图中还可以发现在p标签下面存放了网友对电影的评论

因此对

comment_div_lits

代码中的html代码继续进行解析，代码如下：

eachCommentList = [];
for item in comment_div_lits:
if item.find_all('p')[0].string is not None:
eachCommentList.append(item.find_all('p')[0].string)

使用

print(eachCommentList)

查看eachCommentList列表中的内容，可以看到里面存里我们想要的影评。如下图所示：



好的，至此我们已经爬取了豆瓣最近播放电影的评论数据，接下来就要对数据进行清洗和词云显示了。

二、数据清洗

为了方便进行数据进行清洗，我们将列表中的数据放在一个字符串数组中，代码如下：

comments = ''
for k in range(len(eachCommentList)):
comments = comments + (str(eachCommentList[k])).strip()

使用

print(comments)

进行查看，如下图所示：



可以看到所有的评论已经变成一个字符串了，但是我们发现评论中还有不少的标点符号等。这些符号对我们进行词频统计时根本没有用，因此要将它们清除。所用的方法是正则表达式。python中正则表达式是通过re模块来实现的。代码如下：

import re

pattern = re.compile(r'[\u4e00-\u9fa5]+')
filterdata = re.findall(pattern, comments)
cleaned_comments = ''.join(filterdata)

继续使用

print(cleaned_comments)

语句进行查看，如下图所示：



我们可以看到此时评论数据中已经没有那些标点符号了，数据变得“干净”了很多。

因此要进行词频统计，所以先要进行中文分词操作。在这里我使用的是结巴分词。如果没有安装结巴分词，可以在控制台使用

pip
install jieba

进行安装。（注：可以使用

pip
list

查看是否安装了这些库）。代码如下所示：

import jieba#分词包
import pandas as pd

segment = jieba.lcut(cleaned_comments)
words_df=pd.DataFrame({'segment':segment})

因为结巴分词要用到pandas，所以我们这里加载了pandas包。可以使用

words_df.head()

查看分词之后的结果，如下图所示：



从上图可以看到我们的数据中有“看”、“太”、“的”等虚词（停用词），而这些词在任何场景中都是高频时，并且没有实际的含义，所以我们要他们进行清除。

我把停用词放在一个

stopwords.txt

文件中，将我们的数据与停用词进行比对即可（注：只要在百度中输入

stopwords.txt

，就可以下载到该文件）。去停用词代码如下代码如下：

stopwords=pd.read_csv("stopwords.txt",index_col=False,quoting=3,sep="\t",names=['stopword'], encoding='utf-8')#quoting=3全不引用

words_df=words_df[~words_df.segment.isin(stopwords.stopword)]

[/code]

继续使用

words_df.head()

语句来查看结果，如下图所示，停用词已经被出去了。



接下来就要进行词频统计了，代码如下：

用

words_stat.head()

进行查看，结果如下：



由于我们前面只是爬取了第一页的评论，所以数据有点少，在最后给出的完整代码中，我爬取了10页的评论，所数据还是有参考价值。

三、用词云进行显示

代码如下：

# 用词云进行显示

backgroud_Image = plt.imread('man.jpg')

wordcloud = WordCloud(

background_color='white',

mask=backgroud_Image,

font_path='C:\Windows\Fonts\STZHONGS.TTF',  # 若是有中文的话，这句代码必须添加，不然会出现方框，不出现汉字

max_words=2000,

stopwords=STOPWORDS,

max_font_size=150,

random_state=30

)

word_frequence = {x[0]:x[1] for x in words_stat.head(1000).values}

print("[用词云进行显示--字典类型]：\r\n", word_frequence)

word_frequence_list = []

for key in word_frequence:

temp = (key,word_frequence[key])

word_frequence_list.append(temp)

print("[用词云进行显示--LIST]：\r\n", word_frequence_list)

# fit_words(frequencies)  //根据词频生成词云

# generate(text)  //根据文本生成词云

# generate_from_frequencies(frequencies[, ...])   //根据词频生成词云

# generate_from_text(text)    //根据文本生成词云

# word_frequence 为字典类型，可以直接传入wordcloud.fit_words()

# word_frequence = {x[0]:x[1] for x in words_stat.head(1000).values}

# wordcloud = wordcloud.fit_words(word_frequence)

# def fit_words(self, frequencies):

#     """Create a word_cloud from words and frequencies.

#

#     Alias to generate_from_frequencies.

#

#     Parameters

#     ----------

#     frequencies : dict from string to float

#         A contains words and associated frequency.

#

#     Returns

#     -------

#     self

#     """

#     return self.generate_from_frequencies(frequencies)

wordcloud=wordcloud.fit_words(word_frequence)

plt.imshow(wordcloud)

plt.show()

[/code]

使用的图片：



完整代码如下：

from urllib import request

from bs4 import BeautifulSoup as bs

import re

import jieba#分词包

import pandas as pd

import numpy#numpy计算包

from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator

import matplotlib.pyplot as plt

# %matplotlib inline是jupyer notebook 的命令

# %matplotlib inline

import matplotlib

matplotlib.rcParams['figure.figsize'] = (10.0, 5.0)

resp = request.urlopen('https://movie.douban.com/nowplaying/hangzhou/')

html_data_comment = resp.read().decode('utf-8')

# 获取HTML页面内容

# print("豆瓣最新上映的电影页面内容：",html_data)

soup = bs(html_data_comment, 'html.parser')

# find_all 返回值是数组

nowplaying_movie = soup.find_all('div', id='nowplaying')

# 获取电影列表

nowplaying_movie_list= nowplaying_movie[0].find_all('li', class_='list-item')

# print("电影列表：\r\n",nowplaying_movie_list)

# 获取电影的id和名称。

nowplaying_list = []

for item in nowplaying_movie_list:

nowplaying_dict = {}

nowplaying_dict['id'] = item['data-subject']

nowplaying_dict['name'] = item['data-title']

# nowplaying_list.append(nowplaying_dict)

# for tag_img_item in item.find_all('img'):

#     nowplaying_dict['name'] = tag_img_item['alt']

nowplaying_list.append(nowplaying_dict)

# print("电影的id和名称：\r\n",nowplaying_list)

# 网友对电影的评论

requrl = 'https://movie.douban.com/subject/' + nowplaying_list[5]['id'] + '/comments' +'?' +'start=0' + '&limit=20'

resp = request.urlopen(requrl)

html_data_comment = resp.read().decode('utf-8')

soup = bs(html_data_comment, 'html.parser')

comment_div_lits= soup.find_all('div', class_='comment')

# print("网友对电影-战狼的评论HTML内容：\r\n",comment_div_lits)

eachCommentList = [];

for item in comment_div_lits:

if item.find_all('p')[0].string is not None:

eachCommentList.append(item.find_all('p')[0].string)

# print("网友对电影-战狼的评论：",comment_div_lits)

# 为了方便进行数据进行清洗，我们将列表中的数据放在一个字符串数组中

comments = ''

for k in range(len(eachCommentList)):

comments = comments + (str(eachCommentList[k])).strip()

# print("网友对电影-战狼的评论[数据清洗后]：\r\n",comments)

# /^(\w|-|[\u4E00-\u9FA5])*$/

# ^ 以后面的为开头

# $ 以前面的为结尾

# \w 数字，字母，下划线，.

# \u4E00-\u9FA5 中文

# * 代表前面出现0次或多次

# | 或者

# 所以整个的意思是匹配一个 数字，字母，下划线，-，.，中文组成的一个字串

# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None

pattern = re.compile(r'[\u4e00-\u9fa5]+')

filterdata = re.findall(pattern, comments)

cleaned_comments = ''.join(filterdata)

# print("网友对电影-战狼的评论[数据清洗后]：\r\n",cleaned_comments)

# 进行词频统计，先要进行中文分词操作。这里使用的是结巴分词

segment = jieba.lcut(cleaned_comments)

words_df=pd.DataFrame({'segment':segment})

# print("[分词之后的结果]：\r\n",words_df)

# 清除停用词

# 停用词放在一个stopwords.txt文件中，将我们的数据与停用词进行比对即可

#quoting=3全不引用

stopwords=pd.read_csv("stopwords.txt",index_col=False,quoting=3,sep="\t",names=['stopword'], encoding='utf-8')

words_df=words_df[~words_df.segment.isin(stopwords.stopword)]

# print("[清除停用词后]：\r\n",words_df.head())

# 词频统计

words_stat=words_df.groupby(by=['segment'])['segment'].agg({"计数":numpy.size})

words_stat=words_stat.reset_index().sort_values(by=["计数"],ascending=False)

# print("[词频统计后]：\r\n",words_stat.head())

# 用词云进行显示

backgroud_Image = plt.imread('man.jpg')

wordcloud = WordCloud(

background_color='white',

mask=backgroud_Image,

font_path='C:\Windows\Fonts\STZHONGS.TTF',  # 若是有中文的话，这句代码必须添加，不然会出现方框，不出现汉字

max_words=2000,

stopwords=STOPWORDS,

max_font_size=150,

random_state=30

)

word_frequence = {x[0]:x[1] for x in words_stat.head(1000).values}

print("[用词云进行显示--字典类型]：\r\n", word_frequence)

word_frequence_list = []

for key in word_frequence:

temp = (key,word_frequence[key])

word_frequence_list.append(temp)

print("[用词云进行显示--LIST]：\r\n", word_frequence_list)

# fit_words(frequencies)  //根据词频生成词云

# generate(text)  //根据文本生成词云

# generate_from_frequencies(frequencies[, ...])   //根据词频生成词云

# generate_from_text(text)    //根据文本生成词云

# word_frequence 为字典类型，可以直接传入wordcloud.fit_words()

# word_frequence = {x[0]:x[1] for x in words_stat.head(1000).values}

# wordcloud = wordcloud.fit_words(word_frequence)

# def fit_words(self, frequencies):

#     """Create a word_cloud from words and frequencies.

#

#     Alias to generate_from_frequencies.

#

#     Parameters

#     ----------

#     frequencies : dict from string to float

#         A contains words and associated frequency.

#

#     Returns

#     -------

#     self

#     """

#     return self.generate_from_frequencies(frequencies)

wordcloud=wordcloud.fit_words(word_frequence)

plt.imshow(wordcloud)

plt.show()

[/code]

完整代码[分页]

#coding:utf-8

__author__ = 'hang'

import warnings

warnings.filterwarnings("ignore")

import jieba#分词包

import numpy#numpy计算包

import codecs   #codecs提供的open方法来指定打开的文件的语言编码，它会在读取的时候自动转换为内部unicode

import re

import pandas as pd

import matplotlib.pyplot as plt

from urllib import request

from bs4 import BeautifulSoup as bs

# %matplotlib inline

import matplotlib

matplotlib.rcParams['figure.figsize'] = (10.0, 5.0)

from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator#词云包

#分析网页函数

def getNowPlayingMovie_list():

resp = request.urlopen('https://movie.douban.com/nowplaying/hangzhou/')

html_data = resp.read().decode('utf-8')

soup = bs(html_data, 'html.parser')

nowplaying_movie = soup.find_all('div', id='nowplaying')

    nowplaying_movie_list= nowplaying_movie[0].find_all('li', class_='list-item')

nowplaying_list = []

for item in nowplaying_movie_list:

nowplaying_dict = {}

nowplaying_dict['id'] = item['data-subject']

for tag_img_item in item.find_all('img'):

nowplaying_dict['name'] = tag_img_item['alt']

    nowplaying_list.append(nowplaying_dict)

return nowplaying_list

#爬取评论函数

def getCommentsById(movieId, pageNum):

eachCommentList = [];

if pageNum>0:

start = (pageNum-1) * 20

else:

return False

requrl = 'https://movie.douban.com/subject/' + movieId + '/comments' +'?' +'start=' + str(start) + '&limit=20'

print(requrl)

resp = request.urlopen(requrl)

html_data = resp.read().decode('utf-8')

soup = bs(html_data, 'html.parser')

    comment_div_lits= soup.find_all('div', class_='comment')

for item in comment_div_lits:

if item.find_all('p')[0].string is not None:

eachCommentList.append(item.find_all('p')[0].string)

return eachCommentList

def main():

#循环获取第一个电影的前10页评论

commentList = []

NowPlayingMovie_list = getNowPlayingMovie_list()

for i in range(10):

num = i + 1

commentList_temp = getCommentsById(NowPlayingMovie_list[0]['id'], num)

commentList.append(commentList_temp)

#将列表中的数据转换为字符串

comments = ''

for k in range(len(commentList)):

comments = comments + (str(commentList[k])).strip()

#使用正则表达式去除标点符号

pattern = re.compile(r'[\u4e00-\u9fa5]+')

filterdata = re.findall(pattern, comments)

cleaned_comments = ''.join(filterdata)

#使用结巴分词进行中文分词

segment = jieba.lcut(cleaned_comments)

words_df=pd.DataFrame({'segment':segment})

#去掉停用词

stopwords=pd.read_csv("stopwords.txt",index_col=False,quoting=3,sep="\t",names=['stopword'], encoding='utf-8')#quoting=3全不引用

words_df=words_df[~words_df.segment.isin(stopwords.stopword)]

#统计词频

words_stat=words_df.groupby(by=['segment'])['segment'].agg({"计数":numpy.size})

words_stat=words_stat.reset_index().sort_values(by=["计数"],ascending=False)

# 用词云进行显示

backgroud_Image = plt.imread('man.jpg')

wordcloud = WordCloud(

background_color='white',

mask=backgroud_Image,

font_path='C:\Windows\Fonts\STZHONGS.TTF',  # 若是有中文的话，这句代码必须添加，不然会出现方框，不出现汉字

max_words=2000,

stopwords=STOPWORDS,

max_font_size=150,

random_state=30

)

word_frequence = {x[0]: x[1] for x in words_stat.head(1000).values}

print("[用词云进行显示--字典类型]：\r\n", word_frequence)

word_frequence_list = []

for key in word_frequence:

temp = (key, word_frequence[key])

word_frequence_list.append(temp)

print("[用词云进行显示--LIST]：\r\n", word_frequence_list)

# fit_words(frequencies)  //根据词频生成词云

# generate(text)  //根据文本生成词云

# generate_from_frequencies(frequencies[, ...])   //根据词频生成词云

# generate_from_text(text)    //根据文本生成词云

# word_frequence 为字典类型，可以直接传入wordcloud.fit_words()

# def fit_words(self, frequencies):

#     """Create a word_cloud from words and frequencies.

#

#     Alias to generate_from_frequencies.

#

#     Parameters

#     ----------

#     frequencies : dict from string to float

#         A contains words and associated frequency.

#

#     Returns

#     -------

#     self

#     """

#     return self.generate_from_frequencies(frequencies)

wordcloud = wordcloud.fit_words(word_frequence)

img_colors = ImageColorGenerator(backgroud_Image)

wordcloud.recolor(color_func=img_colors)

plt.imshow(wordcloud)

plt.axis('off')

plt.show()

print('display success!')

#主函数

main()

[/code]



上图基本反映了《敦刻尔克》这部电影的情况。
参考来源： https://segmentfault.com/a/1190000010473819