前言

在本人上的一门课中，老师对每个小组有个任务要求，介绍和完成一个小模块、工具知识的使用。然而我所在的组刚好遇到的是python爬虫的小课题。

心想这不是很简单嘛，搞啥呢？想着去搞新的时间精力可能不太够，索性自己就把豆瓣电影的评论(短评)搞一搞吧。

之前有写过哪吒那篇类似的，但今天这篇要写的像姨母般详细。本篇主要实现的是对任意一部电影短评(热门)的抓取以及可视化分析。 也就是你只要提供链接和一些基本信息，他就可以通用一套流程。

分析

对于豆瓣爬虫，what shold we 考虑？怎么分析呢？豆瓣电影首页

这个首先的话尝试就可以啦，打开任意一部电影，这里以姜子牙为例。打开姜子牙你就会发现它是非动态渲染的页面，也就是传统的渲染方式，直接请求这个url即可获取数据。但是翻着翻着页面你就会发现：未登录用户只能访问优先的界面，登录的用户才能有权限去访问后面的页面。

所以这个流程应该是 登录——> 爬虫——>存储——>可视化分析。

这里提一下环境和所需要的安装装，环境为python3，代码在win和linux可成功跑，如果mac和linux不能跑友字体乱码问题还请私我。其中pip用到包如下,直接用清华 镜像下载不然很慢很慢(够贴心不)。

pip install requests -i ;install matplotlib -i ;install numpy -i ;install xlrd -i ;install xlwt -i ;install bs4 -i ;install lxml -i ;install wordcloud -i ;install jieba -i 

豆瓣的登录地址

进去后有个密码登录栏，我们要分析在登录的途中发生了啥，打开F12控制台是不够的，我们还要使用Fidder抓包。

打开F12控制台然后点击登录，多次试探之后发现登录接口也很简单：

查看请求的参数发现就是普通请求，无加密，当然这里可以用fidder进行抓包，这里我简单测试了一下用错误密码进行测试。如果失败的小伙伴可以尝试手动登陆再退出这样再跑程序。

这样编写登录模块的代码：

url=';header={'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36','Referer': ';,        'Origin': ';, 'content-Type':'application/x-www-form-urlencoded', 'x-requested-with':'XMLHttpRequest', 'accept':'application/json', 'accept-encoding':'gzip, deflate, br', 'accept-language':'zh-CN,zh;q=0.9', 'connection': 'keep-alive' ,'Host': 'accounts.douban.com' }data={    'ck':'',    'name':'',    'password':'',    'remember':'false',    'ticket':''}def login(username,password):    global  data    data['name']=username    data['password']=password    data=urllib.parse.urlencode(data)    print(data)    req=requests.post(url,headers=header,data=data,verify=False)    cookies = requests.utils.dict_from_cookiejar(req.cookies)    print(cookies)    return cookies

这块高清之后，整个执行流程大概为：

爬取

成功登录之后，我们就可以携带登录的信息访问网站为所欲为的爬取信息了。虽然它是传统交互方式，但是每当你切换页面时候会发现有个ajax请求。

这部分接口我们可以直接拿到评论部分的数据，就不需要请求整个页面然后提取这部分的内容了。而这部分的url规律和之前分析的也是一样，只有一个start表示当前的条数在变化，所以直接拼凑url就行。

也就是用逻辑拼凑url一直到不能正确操作为止。

其他参数省略其他参数省略其他参数省略

对于每个url访问之后如何提取信息呢？

我们根据css选择器进行筛选数据，因为每个评论他们的样式相同，在html中就很像一个列表中的元素一样。

再观察我们刚刚那个ajax接口返回的数据刚好是下面红色区域块，所以我们直接根据class搜素分成若干小组进行曹祖就可以。

在具体的实现上，我们使用requests发送请求获取结果，使用BeautifulSoup去解析html格式文件。

而我们所需要的数据也很容易分析对应部分。

实现的代码为：

import requestsfrom  bs4 import BeautifulSoupurl=';header = {    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36',}req = requests.get(url,headers=header,verify=False)res = req.json() # 返回的结果是一个jsonres = res['html']soup = BeautifulSoup(res, 'lxml')node = soup.select('.comment-item')for va in node:    name = va.a.get('title')    star = va.select_one('.comment-info').select('span')[1].get('class')[0][-2]    comment = va.select_one('.short').text    votes=va.select_one('.votes').text    print(name, star,votes, comment)

这个测试的执行结果为：

储存

数据爬取完就要考虑存储，我们将数据储存到cvs中。

使用xlwt将数据写入excel文件中，xlwt基本应用实例：

import xlwt#创建可写的workbook对象workbook = xlwt.Workbook(encoding='utf-8')#创建工作表sheetworksheet = workbook.add_sheet('sheet1')#往表中写内容,第一个参数 行,第二个参数列,第三个参数内容worksheet.write(0, 0, 'bigsai')#保存表为test.xlsxworkbook.save('test.xlsx')

使用xlrd读取excel文件中，本案例xlrd基本应用实例：

import xlrd#读取名称为test.xls文件workbook = xlrd.open_workbook('test.xls')# 获取第一张表table =  workbook.sheets()[0]  # 打开第1张表# 每一行是个元组nrows = table.nrowsfor i in range(nrows):    print(table.row_values(i))#输出每一行

到这里，我们对登录模块+爬取模块+存储模块就可把数据存到本地了，具体整合的代码为：

import requestsfrom bs4 import BeautifulSoupimport urllib.parseimport xlwtimport xlrd# 账号密码def login(username, password):    url = ';    header = {        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36',        'Referer': ';,        'Origin': ';,        'content-Type': 'application/x-www-form-urlencoded',        'x-requested-with': 'XMLHttpRequest',        'accept': 'application/json',        'accept-encoding': 'gzip, deflate, br',        'accept-language': 'zh-CN,zh;q=0.9',        'connection': 'keep-alive'        , 'Host': 'accounts.douban.com'    }    # 登陆需要携带的参数    data = {        'ck' : '',        'name': '',        'password': '',        'remember': 'false',        'ticket': ''    }    data['name'] = username    data['password'] = password    data = urllib.parse.urlencode(data)    print(data)    req = requests.post(url, headers=header, data=data, verify=False)    cookies = requests.utils.dict_from_cookiejar(req.cookies)    print(cookies)    return cookiesdef getcomment(cookies, mvid):  # 参数为登录成功的cookies(后台可通过cookies识别用户，电影的id)    start = 0    w = xlwt.Workbook(encoding='ascii')  # #创建可写的workbook对象    ws = w.add_sheet('sheet1')  # 创建工作表sheet    index = 1  # 表示行的意思，在xls文件中写入对应的行数    while True:        # 模拟浏览器头发送请求        header = {            'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36',        }        # try catch 尝试，一旦有错误说明执行完成，没错误继续进行        try:            # 拼凑url 每次star加20            url = '; + str(mvid) + '/comments?start=' + str(                start) + '&limit=20&sort=new_score&status=P&comments_only=1'            start += 20            # 发送请求            req = requests.get(url, cookies=cookies, headers=header)            # 返回的结果是个json字符串 通过req.json()方法获取数据            res = req.json()            res = res['html']  # 需要的数据在`html`键下            soup = BeautifulSoup(res, 'lxml')  # 把这个结构化html创建一个BeautifulSoup对象用来提取信息            node = soup.select('.comment-item')  # 每组class 均为comment-item  这样分成20条记录(每个url有20个评论)            for va in node:  # 遍历评论                name = va.a.get('title')  # 获取评论者名称                star = va.select_one('.comment-info').select('span')[1].get('class')[0][-2]  # 星数好评                votes = va.select_one('.votes').text  # 投票数                comment = va.select_one('.short').text  # 评论文本                print(name, star, votes, comment)                ws.write(index, 0, index)  # 第index行，第0列写入 index                ws.write(index, 1, name)  # 第index行，第1列写入 评论者                ws.write(index, 2, star)  # 第index行，第2列写入 评星                ws.write(index, 3, votes)  # 第index行，第3列写入 投票数                ws.write(index, 4, comment)  # 第index行，第4列写入 评论内容                index += 1        except Exception as e:  # 有异常退出            print(e)            break    w.save('test.xls')  # 保存为test.xls文件if __name__ == '__main__':    username = input('输入账号：')    password = input('输入密码：')    cookies = login(username, password)    mvid = input('电影的id为：')    getcomment(cookies, mvid)

执行之后成功存储数据：

可视化分析

我们要对评分进行统计、词频统计。还有就是生成词云展示。而对应的就是matplotlib、WordCloud库。

实现的逻辑思路：读取xls的文件，将评论使用分词处理统计词频，统计出现最多的词语制作成直方图和词语。将评星数量做成饼图展示一下，主要代码均有注释，具体的代码为：

其中代码为：

import matplotlib.pyplot as pltimport matplotlibimport jiebaimport jieba.analyseimport xlwtimport xlrdfrom wordcloud import WordCloudimport numpy as npfrom collections import Counter# 设置字体 有的linux字体有问题matplotlib.rcParams['font.sans-serif'] = ['SimHei']matplotlib.rcParams['axes.unicode_minus'] = False# 类似comment 为评论的一些数据 [  ['1','名称'，'star星','赞同数','评论内容']  ,['2','名称'，'star星','赞同数','评论内容'] ]元组def anylasescore(comment):    score = [0, 0, 0, 0, 0, 0]  # 分别对应0 1 2 3 4 5分出现的次数    count = 0  # 评分总次数    for va in comment:  # 遍历每条评论的数据  ['1','名称'，'star星','赞同数','评论内容']        try:            score[int(va[2])] += 1  # 第3列 为star星 要强制转换成int格式            count += 1        except Exception as e:            continue    print(score)    label = '1分', '2分', '3分', '4分', '5分'    color = 'blue', 'orange', 'yellow', 'green', 'red'  # 各类别颜色    size = [0, 0, 0, 0, 0]  # 一个百分比数字 合起来为100    explode = [0, 0, 0, 0, 0]  # explode :(每一块)离开中心距离；    for i in range(1, 5):  # 计算        size[i] = score[i] * 100 / count        explode[i] = score[i] / count / 10    pie = plt.pie(size, colors=color, explode=explode, labels=label, shadow=True, autopct='%1.1f%%')    for font in pie[1]:        font.set_size(8)    for digit in pie[2]:        digit.set_size(8)    plt.axis('equal')  # 该行代码使饼图长宽相等    plt.title(u'各个评分占比', fontsize=12)  # 标题    plt.legend(loc=0, bbox_to_anchor=(0.82, 1))  # 图例    # 设置legend的字体大小    leg = plt.gca().get_legend()    ltext = leg.get_texts()    plt.setp(ltext, fontsize=6)    plt.savefig("score.png")    # 显示图    plt.show()def getzhifang(map):  # 直方图二维，需要x和y两个坐标    x = []    y = []    for k, v in map.most_common(15):  # 获取前15个最大数值        x.append(k)        y.append(v)    Xi = np.array(x)  # 转成numpy的坐标    Yi = np.array(y)    width = 0.6    plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签    plt.figure(figsize=(8, 6))  # 指定图像比例： 8：6    plt.bar(Xi, Yi, width, color='blue', label='热门词频统计', alpha=0.8, )    plt.xlabel("词频")    plt.ylabel("次数")    plt.savefig('zhifang.png')    plt.show()    returndef getciyun_most(map):  # 获取词云    # 一个存对应中文单词，一个存对应次数    x = []    y = []    for k, v in map.most_common(300):  # 在前300个常用词语中        x.append(k)        y.append(v)    xi = x[0:150]  # 截取前150个    xi = ' '.join(xi)  # 以空格 ` `将其分割为固定格式(词云需要)    print(xi)    # backgroud_Image = plt.imread('')  # 如果需要个性化词云    # 词云大小，字体等基本设置    wc = WordCloud(background_color="white",                   width=1500, height=1200,                   # min_font_size=40,                   # mask=backgroud_Image,                   font_path="simhei.ttf",                   max_font_size=150,  # 设置字体最大值                   random_state=50,  # 设置有多少种随机生成状态，即有多少种配色方案                   )  # 字体这里有个坑，一定要设这个参数。否则会显示一堆小方框wc.font_path="simhei.ttf"   # 黑体    # wc.font_path="simhei.ttf"    my_wordcloud = wc.generate(xi)  #需要放入词云的单词 ，这里前150个单词    plt.imshow(my_wordcloud)  # 展示    my_wordcloud.to_file("img.jpg")  # 保存    xi = ' '.join(x[150:300])  # 再次获取后150个单词再保存一张词云    my_wordcloud = wc.generate(xi)    my_wordcloud.to_file("img2.jpg")    plt.axis("off")def anylaseword(comment):    # 这个过滤词，有些词语没意义需要过滤掉    list = ['这个', '一个', '不少', '起来', '没有', '就是', '不是', '那个', '还是', '剧情', '这样', '那样', '这种', '那种', '故事', '人物', '什么']    print(list)    commnetstr = ''  # 评论的字符串    c = Counter()  # python一种数据集合，用来存储字典    index = 0    for va in comment:        seg_list = jieba.cut(va[4], cut_all=False)  ## jieba分词        index += 1        for x in seg_list:            if len(x) > 1 and x != '\r\n':  # 不是单个字 并且不是特殊符号                try:                    c[x] += 1  # 这个单词的次数加一                except:                    continue        commnetstr += va[4]    for (k, v) in c.most_common():  # 过滤掉次数小于5的单词        if v < 5 or k in list:            c.pop(k)            continue        # print(k,v)    print(len(c), c)    getzhifang(c)  # 用这个数据进行画直方图    getciyun_most(c)  # 词云    # print(commnetstr)def anylase():    data = xlrd.open_workbook('test.xls')  # 打开xls文件    table = data.sheets()[0]  # 打开第i张表    nrows = table.nrows  # 若干列的一个集合    comment = []    for i in range(nrows):        comment.append(table.row_values(i))  # 将该列数据添加到元组中    # print(comment)    anylasescore(comment)    anylaseword(comment)if __name__ == '__main__':    anylase()

我们再来查看一下执行的效果：

这里我选了姜子牙和千与千寻 电影的一些数据，两个电影评分比例对比为：

从评分可以看出明显千与千寻好评度更高，大部分人愿意给他五分。基本算是最好看的动漫之一了，再来看看直方图的词谱：

很明显千与千寻的作者更出名，并且有很大的影响力，以至于大家纷纷提起他。再看看两者词云图：

白龙、婆婆，真的是满满的回忆，好了不说了，有啥想说的欢迎讨论！