python电影评论的情感分析流浪地球_使用python爬取流浪地球影评并制作词云,看看别人都说了些说什么...

抓包

首先是拿到访问的url,一般先使用chrome浏览器自带的F12中的网络部分进行测试。好巧不巧的,点击XHR后直接拿到数据了,那就不搞什么乱七八糟的别的了。

webp

下面开始分析这个请求的URL地址

https://movie.douban.com/subject/26266893/comments?start=20&limit=20&sort=new_score&status=P&comments_only=1

和搜索《流浪地球》结果的URL进行对比发现域名+subject+26266893都是一样的,所以这一块就是一个影片的唯一标示码了。

点击下一页抓包可以发现

start=40

,显然start就是显示的开始条数。然后去除后面的拼接部分大胆的使用以下地址:

https://movie.douban.com/subject/26266893/comments?start=20&limit=20

https://movie.douban.com/subject/26266893/comments?start=40&limit=20

...

所以如果爬取全部的话应该是

while True:

url = f'https://movie.douban.com/subject/26266893/comments?start={20*i}&limit=20'

requests.get(url)

i += 1

当然这段代码中缺少了一个终止条件,由于没有直观的页码显示,所以按照正常逻辑来说,当拿不到数据的时候,代码就可以结束了。

数据解析

webp

从IDE或者抓包工具中都能看到抓去到的东西的内容是个html

使用工具Xpath Helper可以获取到对应的Xpath是

//*[@id="comments"]/div/div[2]/p/span/text()

webp

导入

from lxml import etree

使用以下几行就能获取到内容

from lxml import etree

response = requests.get(url).content # 获取网页源码

html = etree.HTML(response) # 将网页源码转换为XPath可以解析的格式

html.xpath('//*[@id="comments"]/div/div[2]/p/span/text()')

webp

跳出While循环的条件

所以从上可以看出跳出While循环的条件就是拿到的内容为空

实际测试发现到12页之后就会出行

webp

采用最简单的cookie来进行登录操作

webp

把这里的cookie拿出来用就行了

获取数据部分代码

import time

import requests

from lxml import etree

i = 1

cookies = {

'cookie': '_ga=GA1.2.368359059.1504513008; gr_user_id=70cd8d8e-33f4-451f-9d2f-485e0972848b; _vwo_uuid_v2=DA531159C0543E8ED34CDA9307F4F5D42|952eca647e4324910504987dd6b3b16c; viewed="25862578"; douban-fav-remind=1; bid=BbpSXh-2l0I; UM_distinctid=1688ebe76ed917-00fc3d8ad313ab-10306653-13c680-1688ebe76eed09; ll="118172"; CNZZDATA1272964020=1342263888-1524923548-https%253A%252F%252Fwww.baidu.com%252F%7C1549549736; ap_v=0,6.0; __utma=30149280.368359059.1504513008.1548583074.1549551675.6; __utmc=30149280; __utmz=30149280.1549551675.6.5.utmcsr=douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/search; __utmb=30149280.1.10.1549551675; _pk_ref.100001.8cb4=%5B%22%22%2C%22%22%2C1549554516%2C%22https%3A%2F%2Fopen.weixin.qq.com%2Fconnect%2Fqrconnect%3Fappid%3Dwxd9c1c6bbd5d59980%26redirect_uri%3Dhttps%253A%252F%252Fwww.douban.com%252Faccounts%252Fconnect%252Fwechat%252Fcallback%26response_type%3Dcode%26scope%3Dsnsapi_login%26state%3DBbpSXh-2l0I%252523douban-web%252523https%25253A%252F%252Fwww.douban.com%252Fsearch%25253Fq%25253D%2525E6%2525B5%252581%2525E6%2525B5%2525AA%2525E5%25259C%2525B0%2525E7%252590%252583%22%5D; _pk_ses.100001.8cb4=*; douban-profile-remind=1; _pk_id.100001.8cb4=d2d47adf74234a9c.1504513005.8.1549554548.1549551671.; dbcl2="149765164:WENJVMTKslo"'}

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36'}

f = open('wandering.txt', 'w')

while True:

url = f'https://movie.douban.com/subject/26266893/comments?start={20*i}&limit=20'

response = requests.get(url, cookies=cookies, headers=headers).content

html = etree.HTML(response)

new_text_list = html.xpath('//*[@id="comments"]/div/div[2]/p/span/text()')

f.writelines(new_text_list)

if not new_text_list:

break

else:

time.sleep(0.25)

i += 1

print(f'正在爬取第{20*i}条内容')

f.close()

webp

制作词云

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Author:zhongxin

# datetime:2019/2/7 11:57 PM

import re # 正则表达式库

import collections # 词频统计库

import numpy as np # numpy数据处理库

import jieba # 结巴分词

import wordcloud # 词云展示库

from PIL import Image # 图像处理库

import matplotlib.pyplot as plt # 图像展示库

with open('wandering.txt') as f:

string_data = f.read()

# 文本预处理

pattern = re.compile(u'\t|\n|\.|-|:|;|\)|\(|\?|"') # 定义正则表达式匹配模式

string_data = re.sub(pattern, '', string_data) # 将符合模式的字符去除

# 文本分词

seg_list_exact = jieba.cut(string_data, cut_all=False) # 精确模式分词

object_list = []

remove_words = [u'的', u',', u'和', u'是', u'随着', u'对于', u'对', u'等', u'能', u'都', u'。', u' ', u'、', u'中', u'在', u'了',

u'通常', u'如果', u'我', u'需要',u'也',u'电影','就'] # 自定义去除词库

for word in seg_list_exact: # 循环读出每个分词

if word not in remove_words: # 如果不在去除词库中

object_list.append(word) # 分词追加到列表

# 词频统计

word_counts = collections.Counter(object_list) # 对分词做词频统计

word_counts_top10 = word_counts.most_common(10) # 获取前10最高频的词

print(word_counts_top10) # 输出检查

# 词频展示

mask = np.array(Image.open('wordcloud.jpg')) # 定义词频背景

wc = wordcloud.WordCloud(

font_path='/System/Library/Fonts/STHeiti Medium.ttc', # 设置字体格式

mask=mask, # 设置背景图

max_words=200, # 最多显示词数

max_font_size=100 # 字体最大值

)

wc.generate_from_frequencies(word_counts) # 从字典生成词云

image_colors = wordcloud.ImageColorGenerator(mask) # 从背景图建立颜色方案

wc.recolor(color_func=image_colors) # 将词云颜色设置为背景图方案

plt.imshow(wc) # 显示词云

plt.axis('off') # 关闭坐标轴

plt.show() # 显示图像

webp

数据获取部分代码

webp

词云部分代码

webp

webp

webp

本人对于Python学习创建了一个小小的学习圈子,为各位提供了一个平台,大家一起来讨论学习Python。欢迎各位到来Python学习群:`923414804`一起讨论视频分享学习。Python是未来的发展方向,正在挑战我们的分析能力及对世界的认知方式,因此,我们与时俱进,迎接变化,并不断的成长,掌握Python核心技术,才是掌握真正的价值所在。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值