Python抓取电视剧《天盛长歌》豆瓣短评，并制作成词云。

本文链接：https://blog.csdn.net/CaiJin1217/article/details/82622643

最近在看《天盛长歌》，才看了30多集，感觉里边的剧情还是很有深度，每个反派都是智商在线，剧情也是环环相扣，以至于每个镜头给了哪些特写我都要细细斟酌一番。不过可能剧情是根据小说改编，所以部分剧情有些老套，而且因为节奏有点慢，剧情过多，光是大皇子领盒饭就用了20集。目前来说不喜欢韶宁公主有关的剧情，不知道她后边的剧情怎么发展，配角选的也是十分用心了，喜欢珠茵姐姐，可惜十几集就领盒饭了，而且还有点不值，兰香院的姑娘们颜值也是在线的！和别的剧比起来，真真是美的各有千秋。

一、抓取数据
首先要抓取豆瓣影评，豆瓣比较奇怪，即使登陆了也只能抓取480条短评，不登陆可以抓200条短评，所以我就抓取了不登陆的200条（还不会用登陆抓取）。
上代码：

#coding=utf-8
import requests
from lxml import etree
import random
import pymysql

# 获取网页内容
def geturl(url,IP_pools):
    USER_AGENTS = [
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36",
        "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36",
        "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0",
        "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36"

    ]
    Agent_Value = random.choice(USER_AGENTS)
    headers = {
        "User-Agent":Agent_Value ,
        "Host": "movie.douban.com",
        "Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
    }

    try:
        # 我使用了代理，在代理池中随机获取验证成功的IP
        ip_one = random.choice(IP_pools)
        print(ip_one)
        proxies1 = {'http': "http://" + ip_one}
        print(url)
        r = requests.get(url=url, headers=headers, proxies=proxies1, timeout=5)
        print(r.status_code)
        assert r.status_code == 200
        return etree.HTML(r.content)
    except:
        print("**"*20+"错误！"+"**"*20)
# 从数据库的代理池取出全部验证成功的IP，并存入列表中
def get_IP():
    con = pymysql.connect(host='192.111.111.111', user='root', passwd='111111', db='databace', port=3306,charset='utf8')
    if con:
        print("ok")
        cur = con.cursor()
        if cur:
            sql_read = "select IP,port from ip_pool where score  = %s "
            cur.execute(sql_read, "T")
            con.commit()
            lines = cur.fetchall()
            a_list = []
            for i in lines:
                li = i[0] + ":" + i[1]
                # print(li)
                a_list.append(li)
            return a_list
        else:
            print("打开游标失败！")
        cur.close()
    else:
        print("数据库打开失败！")
    con.close()

IP_pools = get_IP()

def TSCG():
    for i in range(0,220,20):
        url = "https://movie.douban.com/subject/26761328/comments?start=" + str(i)
        # 直接获取每页的短评
        res = geturl(url,IP_pools).xpath('//span[@class="short"]/text()')
        for a in res:
            a = a.strip().replace("\n","")
            with open("output/tianshengchangge_200.txt","a",encoding="utf-8") as fw:
                fw.write(a + "\n")


# 抓取短评
TSCG()

二、处理数据

1、抓到数据后要先制作停止词；停止词的txt文件在下一篇文章里

# 制作停止词
def make_stopdict():
    stopdict = set()
    #网上下载来的停止词文本
    with open("stopwords.txt","r",encoding="utf-8") as fr:
        lines = fr.readlines()
        for l in lines:
            stopdict.add(l.strip())
        print(type(stopdict))
        return stopdict

2、去掉停止词，使用了 jieba（停止词就是类似于“的、啊、是”等这类型的词。详情请百度）

import jieba.analyse
import re

def removeStopwords():
    stopdict = make_stopdict()
    # 使用jieba分词去掉停止词
    zhongwen_pat = re.compile(r'^[\u4e00-\u9fa5a-zA-Z]+$')
    all_content = []
    # 从文件中取出短评内容
    with open("output/tianshengchangge_200.txt","r",encoding="utf-8") as fr:
        review = fr.readlines()
        for t in review: 
            cut_list = [c for c in jieba.cut(t) if zhongwen_pat.search(c)]
            cut_set = set(cut_list)
            res_set = cut_set - stopdict
            res_list = list(res_set)
            all_content.extend(res_list)
            for a in res_list:
                a = a.strip().replace("\n","")
                with open("output/douban1.txt","a",encoding="utf-8") as fw:
                    fw.write(a + "\n")
    return("output/douban1.txt")

3、使用jieba分词分析短评中各个词的出现频率

def get_top_keywords():
    file = "output/douban1.txt"
    top_word_lists = [] # 关键词列表，待填充
    with open(file,'r',encoding="utf-8") as f:
        texts = f.read() # 读取整个文件作为一个字符串
        result = jieba.analyse.textrank(texts,topK=100,withWeight=True) #保留最高频的100个词
        keywords = dict()
        for i in result:
            keywords[i[0]]=i[1]
        print(keywords)
        return keywords

4、制作词云

from wordcloud import WordCloud
import matplotlib.pyplot as plt
# 制作词云
def makeWordcloud():
    keywords = get_top_keywords()
    color_mask = imread("output/mark2.jpg")  # 读取背景图片，
    cloud = WordCloud(
        # 设置字体，不指定就会出现乱码，文件名不支持中文（选择系统默认就好）
        font_path="C:/Windows/Fonts/simfang.ttf",
        # 设置背景色，默认为黑，可根据需要自定义为颜色
        background_color='white',
        # 词云背景，
        mask=color_mask,
        # 允许最大词汇
        max_words=100,
        # 最大号字体，如果不指定则为图像高度
        max_font_size=80,
        # 画布宽度和高度，如果设置了msak则不会生效
        width=600, height=400, margin=2,
        # 词语水平摆放的频率，默认为0.9.即竖直摆放的频率为0.1
        prefer_horizontal=0.4)
    wc = cloud.generate_from_frequencies(keywords)  # 产生词云
    wc.to_file("output/Wc_tscg4.png")  # 保存图片
    # 显示词云图片
    plt.imshow(wc)
    # 不现实坐标轴
    plt.axis('off')
    # 绘制词云
    plt.show()

# 制作词云
makeWordcloud()