使用Python爬虫获取豆瓣影评，并用词云显示

使用Python爬虫获取豆瓣影评，并用词云显示

Python语言流行到现在，目前最受开发者喜爱的功能莫过于它的爬虫功能，以至于很多人以为Python的英语发音也是“爬虫”，其实它是读作“啪善”[‘paɪθɑn] 。而爬取网络信息，只是它的一个功能，它同时也涉及其它领域，比如说现在比较流行的人工智能、科学计算、网络开发等。而在爬取网络信息这个任务中，常用的是使用urllib库和bs4库打开网站并解析页面信息并分析，本文所要介绍的爬取豆瓣影评也是使用这两个库。另外，为了能形象的展示爬取的结果，在项目最后，使用了WordCloud词云对爬取的关键字进行了显示，在显示前，用jieba分词工具提取了影评中常用的关键字。

项目开始前，要做一些必要的准备，比如Python环境的安装，库的下载等。本项目是在Windows下运行，所以首先要在Windows下安装Python。由于这个过程比较简单，在本文中就不做介绍。Python安装完后，需要安装本项目所用的第三方库。如果python的基本环境安装完了，第三方库安装也很简单，直接使用pip工具即可下载安装(前提是机器必须能够连网)：

由于本机已经在写文章之前安装过库，所以系统提示已经存在；如果没有安装过，运行“pip install xxx”的命令时可以看到下载和安装的过程及进度。其它所需的第三方库都可以使用此方法下载。环境和库准备完成后，就可以进行代码的实现了。

本项目的主要实现过程分为两个阶段，第一部分先获取豆瓣上某个电影的影评信息；第二部分通过jieba分词和WordCloud把结果用词云的方式展示出来。

Step:获取豆瓣影评，放到文本文件中：

使用python爬取网络信息，最基本的概念就是用urllib等工具打开网站，获取网页信息，然后对所需的信息进行解析并提取感兴趣的内容。在这个过程中，难点在于解析网页内容并获取感兴趣的内容。由于不同的网站页面结构是不一样的，所以需要针对特定的网页结构实现特定的解析代码。在代码实现之前，需要分析网页的内容。

从上面的图片可以看出，爬取之前首先要获取网页的url，通过url才能获得特定的网页内容用于解析。幸运的是，豆瓣上对于特定影片的影评的获取地址格式是固定的，比如：
https://movie.douban.com/subject/4920389/comments?start=1&limit=20&sort=new_score&status=P
这个网址中，https://movie.douban.com/subject/是固定的