利用500万条微博语料对微博评论进行情感分析

最近身边的人都在谈论一件事：10月8日中午的一条微博，引发了一场微博的轩然大波。导致微博瘫痪的原因是全球超人气偶像明星鹿晗发了一条“大家好，给大家介绍一下，这是我女朋友@关晓彤”。这条微博并@关晓彤。数据分析，可以在这里自取！

截止目前，鹿晗的这条微博已经被转发1024887，回复2649409，点赞5173532。

关晓彤的这条微博转发67652，回复873532，点赞：2260400。

这么庞大的数据量相当上亿的“肉鸡”（粉们和吃瓜群众）对微博的一次“攻击”。 

难怪微博工程师要一边结婚一边工作，都是鹿晗这条微博惹的祸。最后加了1000台服务器暂时顶住了。 

这条微博评论非常的多了，大家对这件事态度怎么样？我们利用数据来分析一下。

原料：

1. 鹿晗微博3万条评论；

2. 关晓彤微博3万条评论；

3.500万微博语料，下载地址，密码：tvdo

工具：

1. Python3.6

2. SnowNLP（https://github.com/isnowfy/snownlp可方便的处理中文文本内容，是受到了TextBlob的启发而写的，由于现在大部分的自然语言处理库基本都是针对英文的，于是写了一个方便处理中文的类库，并且和TextBlob不同的是，这里没有用NLTK，所有的算法都是自己(不是本人)实现的，并且自带了一些训练好的字典。）

3. WordCloud，词云。

实施过程：

• 1.对微博语料进行情感分类，可以基于原有SnowNLP进行积极和消极情感分类：积极情绪类：pos.txt和消极情绪类：neg.txt 然后进行训练：

from snownlp import sentiment
sentiment.train('neg.txt', 'pos.txt')
sentiment.save('sentiment.marshal')

在snownlp/sentiment/init.py中第11行改到你训练的文件。

• 2.爬取两人的微博数据，使用http://m.weibo.com，解决懒加载问题，具体方式不在赘述，google 一下吧。

  • a. 微博提供了接口地址，微博提供API 地址，通过接口返回标准的json数据

{
    "comments": [
        {
            "created_at": "Wed Jun 01 00:50:25 +0800 2011",
            "id": 12438492184,
            "text": "love your work.......",
            "source": "<a href="http://weibo.com" rel="nofollow">新浪微博</a>",
            "mid": "202110601896455629",
            "user": {
                "id": 1404376560,
                "screen_name": "zaku",
                "name": "zaku",
                "province": "11",
                "city": "5",
                "location": "北京 朝阳区",
                "description": "人生五十年，乃如梦如幻；有生斯有死，壮士复何憾。",
                "url": "http://blog.sina.com.cn/zaku",
                "profile_image_url": "http://tp1.sinaimg.cn/1404376560/50/0/1",
                "domain": "zaku",
                "gender": "m",
                "followers_count": 1204,
                "friends_count": 447,
                "statuses_count": 2908,
                "favourites_count": 0,
                "created_at": "Fri Aug 28 00:00:00 +0800 2009",
                "following": false,
                "allow_all_act_msg": false,
                "remark": "",
                "geo_enabled": true,
                "verified": false,
                "allow_all_comment": true,
                "avatar_large": "http://tp1.sinaimg.cn/1404376560/180/0/1",
                "verified_reason": "",
                "follow_me": false,
                "online_status": 0,
                "bi_followers_count": 215
            },
            "status": {
                "created_at": "Tue May 31 17:46:55 +0800 2011",
                "id": 11488058246,
                "text": "求关注。"，
                "source": "<a href="http://weibo.com" rel="nofollow">新浪微博</a>",
                "favorited": false,
                "truncated": false,
                "in_reply_to_status_id": "",
                "in_reply_to_user_id": "",
                "in_reply_to_screen_name": "",
                "geo": null,
                "mid": "5612814510546515491",
                "reposts_count": 8,
                "comments_count": 9,
                "annotations": [],
                "user": {
                    "id": 1404376560,
                    "screen_name": "zaku",
                    "name": "zaku",
                    "province": "11",
                    "city": "5",
                    "location": "北京 朝阳区",
                    "description": "人生五十年，乃如梦如幻；有生斯有死，壮士复何憾。",
                    "url": "http://blog.sina.com.cn/zaku",
                    "profile_image_url": "http://tp1.sinaimg.cn/1404376560/50/0/1",
                    "domain": "zaku",
                    "gender": "m",
                    "followers_count": 1204,
                    "friends_count": 447,
                    "statuses_count": 2908,
                    "favourites_count": 0,
                    "created_at": "Fri Aug 28 00:00:00 +0800 2009",
                    "following": false,
                    "allow_all_act_msg": false,
                    "remark": "",
                    "geo_enabled": true,
                    "verified": false,
                    "allow_all_comment": true,
                    "avatar_large": "http://tp1.sinaimg.cn/1404376560/180/0/1",
                    "verified_reason": "",
                    "follow_me": false,
                    "online_status": 0,
                    "bi_followers_count": 215
                }
            }
        },
        ...
    ],
    "previous_cursor": 0,
    "next_cursor": 0,
    "total_number": 7
}

目前微博没有要求登录（可能是bug哦），建议sleep一下，否则很容易被微博大厂识别为爬虫行为二被封堵；b．数据存储，python很方便，可以存储在文本，mysql等数据库中。但是微博大厂在接口返回数据中会返回一些重复的和一些空数据，所以这部分需要处理一下。建议放在数据库中，去重和清理空的数据非常方便。可以使用sql进行处理：

去重复内容：

    DELETE from 表名 where id not in (select minid from (select min(id) as minid from 表名 group by 字段) b);
去值为NULL：
    delete from 表名 where 字段名=NULL
去值为""空值
　　delete from 表名 where 字段名=''

• 3.情感分析：

读取每段评论并依次进行情感值分析，生成一个0-1之间的值，当值大于0.5时代表句子的情感极性偏向积极，当分值小于0.5时，情感极性偏向消极，当然越偏向俩头，情绪越偏激。

鹿晗微博评论情感分析

看出支持、祝福和反对、消极的的声音基本保持平衡。（由于语料样本的数量，分析存在一定误差，感兴趣的同学一起完善情感样本库。） 

鹿晗评论词云

词云中出现祝福、喜欢、支持等关键词，也出现分手等一些词。

关晓彤微博微博评论情感分析

祝福、赞成的积极的情绪，分值大多高于0.5，而期盼分手或者表达消极情绪的分值，大多低于0.5。从图上来看已经是一边到的态势。 

关晓彤微博微博评论词云

从词云上来看，出现很李易峰，对不配，讨厌的声音。