点击“简说Python”，选择“星标公众号”
福利干货，第一时间送达！
作者：萝卜大杂烩
阅读文本大概需要 12 分钟。
最近的电影《哪吒》绝对是风靡全国，各种“我命由我不由天”，激励着平民大众。而《上海堡垒》则彻底扑街，鹿晗也跌落神坛，流量不再。而老大哥成龙的新片《龙牌之谜》也在日前悄悄上映了，之所用悄悄是因为电影并没有做过多的宣传，低调上映。但是上映之后的口碑却不敢恭维，好多影迷都说，大哥老了，也开始持续拍烂片了。今天，我们就来分析下历年成龙的电影得分数据和《龙牌之谜》的评论，用数据来告诉你，真的是大哥老了，打不动了吗？
Part1.豆瓣数据分析
豆瓣数据获取
爬取的过程还是蛮简单的，直接给出代码
1def get_data():
2
3 data = []
4
5 for i in range(0, 150, 25):
6
7 url = 'https://movie.douban.com/celebrity/1054531/movies?start=%s&format=text&sortby=time&role=A1' % i
8
9 res = requests.get(url).text
10
11 content = BeautifulSoup(res, "html.parser")
12
13 tbody_tag = content.find_all('tbody')
14
15 tr_tag = tbody_tag[1].find_all('tr')
16
17 for tr in tr_tag:
18
19 tmp = []
20
21 name = tr.find('a').text
22
23 year = tr.find('td', attrs={'headers': 'mc_date'}).text
24
25 rate = tr.find('td', attrs={'headers': 'mc_rating'}).text
26
27 tmp.append(name)
28
29 tmp.append(year)
30
31 tmp.append(rate.replace('\n', '').strip().replace('-', ''))
32
33 data.append(tmp)
34
35 return data
36
37
38
39if __name__ == '__main__':
40
41 data = get_data()
42
43 print(data)
44
45 with open('jack_data.csv', 'w', encoding='utf-8') as f:
46
47 f.write('name,year,rate\n')
48
49 for d in data:
50
51 try:
52
53 rowcsv = '{},{},{}'.format(d[0], d[1], d[2])
54
55 f.write(rowcsv)
56
57 f.write('\n')
58
59 except:
60
61 continue
数据拿到之后，我们再做些简单的数据处理，去除掉 rate 为空的数据，和一些异常数据
1df = pd.read_csv('jack_data.csv')
2
3df.isnull().sum() # 查看缺失值情况
4
5
6
7df_copy = df.copy()
8
9df_copy.dropna(how='any', inplace=True) # 去掉缺失值
10
11
12
13# 去掉异常值
14
15except_data = df_copy[df_copy['name'].apply(lambda x: x == '喜剧之王')].index
16
17df_copy.drop(except_data, inplace=True)
一、成龙电影总体得分分布
成龙大哥的高分电影，多集中在早年。大多数电影的评分，都几种在6-7分上下浮动。而近些年的几部电影，口碑都不是很好，有持续下滑的趋势。
二、评分最高与最低影片
成龙大哥的电影，最高得分为《龙争虎斗》，8.2 分，不过这个电影好像是李小龙的呀，尴了个尬，不知道成龙在电影里干了啥，豆瓣会把这部电影分给成龙。
评分最低的是《神探蒲松龄》，只有 3.8 分。年岁增大，不能再像以前那样“功夫喜剧”了，成龙电影未来的方向在哪里呢。
而《龙争虎斗》是 1973 年上映的，《神探蒲松龄》 则是 2019 年上映的，也从侧面反映出近些年龙大哥在电影市场的不给力情况。
三、出产电影年份
我们再来看看哪些年份，成龙大哥出产的电影比较多呢
1978 年，成龙出产的电影占比是最多的，总共是 6 部，接下来就是 1973、1985 和 1976 年，都是 5部电影。
我们来看下这几年电影的评分情况
1978 年
1973 年
1985 年
1976 年
可以看出来，早些年，大哥年轻的时候，无论是数量还是质量，都是比较有保证的。不过太多电影过于遥远，真心没看过啊！
虽然说，成龙电影总体评分并不是太高，最高也才 8 点几分，但是作为华语影坛的大哥级人物，大家对他的期待还是非常高的。
不管怎么说，还是希望成龙大哥能够好好保养身体，在以后的时光中，给大家带来更多好的作品。
Part2.猫眼数据分析
爬一爬猫眼上《龙牌之谜》的用户评论，看看这个口碑不佳的作品，用户的想法是怎么样的
分析猫眼网站
我们首先进入到猫眼，找到对应的电影，地址为：https://maoyan.com/films/343473
浏览器手机模式
这里可以使用浏览器手机模式，在 Chrome 浏览器下，按 F12 打开开发者工具，再点击下图中的按钮，即可进入到手机模式
此时再重新刷新网页，发现我们已经神奇的进入到了猫眼的 M 站了
现在再拖动网页到最下部，点击查看全部评论，就可以进入到评论页面，查看全部的评论了。
寻找加载评论的接口
接下来我们继续下拉页面，发现评论是动态加载的。此时经验就非常重要了，我们让页面多加载加载评论几次，就能够发现一个“可疑”的请求，如下
它是以 comments 命名的啊，差不多就是它了。
接下来再查看其 response，确实就是评论内容，而且是清爽的 json 数据，很开心！
分析接口参数
我们先来观察下这个接口
http://m.maoyan.com/review/v2/comments.json?movieId=343473&userId=-1&offset=30&limit=15&ts=1567064825883&type=3
movieid 很显然就是电影的 id，不动
我们把该接口信息放到 postman 中，尝试着调用下
查看接口返回数据的最后面，发现一个 paging 字段
1"paging": {
2 "hasMore": true,
3 "limit": 10,
4 "offset": 0,
5 "total": 2838
6 }
已经清楚的告诉了我们，还有更多数据（"hasMore": true），每页限制为10（"limit": 10），当前是第0页（"offset": 0），总共的数据为2838条（"total": 2838）。
最后经过测试，type = 3 会每次都会返回 hotComments 这个字段，而当 type = 2 时，则不会返回该字段，于是我选择使用 type 为2来发送请求，那么最终我决定使用的请求 url 就是如下：
http://m.maoyan.com/review/v2/comments.json?movieId=343473&offset=60&limit=15&type=2
offset 作为变量，循环替换即可。
编写爬虫代码
提取 json 数据
1def get_json(res):
2 data_list = []
3 res_json = json.loads(res)
4 data = res_json['data']['comments']
5 for d in data:
6 content = d['content']
7 gender = d['gender']
8 userLevel = d['userLevel']
9 score = d['score']
10 try:
11 if len(d['tagList']) == 0:
12 ticket = 0
13 elif len(d['tagList']) == 1:
14 if d['tagList'][0]['id'] == 4:
15 ticket = 1
16 else:
17 ticket = 0
18 elif len(d['tagList']) == 2:
19 ticket == 1
20 except:
21 ticket = 0
22 tmp = [content, gender, userLevel, score, ticket]
23 data_list.append(tmp)
24 return data_list
解析 json 就比较简单了，只要做好异常处理即可。
因为评论中有很多 emoji 表情，可以使用正则过滤掉
1emoji_pattern = re.compile("["
2 u"\U0001F600-\U0001F64F" # emoticons
3 u"\U0001F300-\U0001F5FF" # symbols & pictographs
4 u"\U0001F680-\U0001F6FF" # transport & map symbols
5 u"\U0001F1E0-\U0001F1FF" # flags (iOS)
6 "]+", flags=re.UNICODE)
7emoji_pattern1.sub(r'', str1)
最后保存数据到 csv 文件
最后得到的数据如下：
数据可视化分析
性别分布
我们先来看下评论者的性别分布是怎样的
可以看出，男性观众的比例还是多一些，不过大多数人都没有设置性别，隐私工作做得很不多哦
用户等级
不出所料，大部分都是 level-0的用户，普通大众最普通，天下何止千千万。
评分分布
看到结果之后扎心不，打分数量最多的是0分，不知道如果可以打负分，那么情况会是怎么样
评论词云
最后，我们再来做一个词云，看看评论中的高频词汇都有哪些
老规矩，不对评论做过多点评
不过还是忍不住要说一句，评论里面“好看”这个词出现的频率还是非常高的，看评论里有人说是水军，拿钱了，不知道你怎么看呢
最后给出完整代码
Part1：https://github.com/zhouwei713/douban/tree/master/jackchen
Part2：https://github.com/zhouwei713/data_analysis/tree/master/maoyan
如果你觉得文章还不错，请大家点赞分享下。你的肯定是我最大的鼓励和支持。
完整Python基础知识要点
扫一扫
3081
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
