大热片《寻梦环游记》到底在讲什么

最近《寻梦环游记》刷爆朋友圈，一心只想学习的我，并没有去看，但是还是很想知道这个电影是讲的什么。怎么办呢，所谓把大象放进冰箱分三步。要知道这个电影讲什么也可以分三步：
1.登陆豆瓣
2.抓取所有短评
3.利用词云看看大家的评论集中在哪些点，就能大概了解电影类型，主题，大致内容。

一、模拟登陆豆瓣

因为豆瓣有反爬虫机制，不登录只能爬到第10页，无法获取更多的内容（练模拟登陆的本人，被豆瓣锁了两个号），本文用的post保单的方法进行登陆。

#by:大熊(xavier9410@163.com)

import requests
from lxml import etree
from PIL import Image
from io import BytesIO
import random
import pandas as pd
import time
import sys
reload(sys)
sys.setdefaultencoding('utf8')

# 获取验证码登陆
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) '
           'AppleWebKit/537.36 (KHTML, like Gecko)'
           'Chrome/62.0.3202.94 Safari/537.36'}
session = requests.session()
login_request = session.get('https://www.douban.com/login', headers=headers)
selector = etree.HTML(login_request.content)
post_data = {'source': 'movie',  # 填写表单
             'redir': 'https://movie.douban.com/subject/20495023/',
             'form_email': 'chengyx@hhu.edu.cn',
             'form_password': '3594633abc',
             'login': '登录'}
captcha_img_url = selector.xpath('//img[@id="captcha_image"]/@src')  # 获取验证码url
print captcha_img_url
try:
    if captcha_img_url != None:
        pic_request = requests.get(captcha_img_url[0])
        img = Image.open(BytesIO(pic_request.content))  # 打开验证码图片
        print '请输入你看到的字母:'
        img.show()
        string = raw_input('请输入验证码：')
        post_data['captcha-solution'] = string
        captcha_id = selector.xpath(
            '//input[@name="captcha-id"]/@value')  # 获取captcha_id
        post_data['captcha-id'] = captcha_id
        print(post_data)
except:
    pass

r = session.post('https://accounts.douban.com/login',
                  data=post_data)  # 将表单信息post进行登陆
with open('logfile.log', 'w') as logfile:
    logfile.write(r.text)
 except:
    pass

二、爬取短评内容

本来是抱着爬9万条评论的心做的，结果每次爬到25页就不能爬了，纠结了两天，改链接改来改去都不行，后来发现豆瓣现在短评只显示到25页，后面就没有了。豆瓣你狠！

r = session.post('https://accounts.douban.com/login',
                  data=post_data)  # 用session保持登陆状态
with open('logfile.log', 'w') as logfile:
    logfile.write(r.text)

# 获取内容
page = 0
while True:
    try:
        username = []  # 用户姓名
        star_ratings = []  # 评级
        votecount = []  # 认为评论有用的人数
        comments = []  # 短评内容
        seetimes = []  # 评论时间
        if page==0:
            url='https://movie.douban.com/subject/20495023/comments?start=p'
        else:
            pass
        r = session.get(url)
        html = r.text

        # 解析具体内容
        selector = etree.HTML(html)  # 解析所有页面的源码
        contents = selector.xpath('//div[@class="comment"]')
        nextp=selector.xpath('//div[@id="paginator"]/a/@href')
        if len(nextp)==1:
            nextpage=nextp[0]      #首页只有表示“后页”的一个href
        elif len(nextp)==2:
            nextpage="？default"    #末页有表示“首页”和“前页”的两个href
        else:
            nextpage=nextp[2]      #中间页有表示“首页”、“前页”、“末页”的三个href
        for content in contents:
            user = content.xpath('.//h3/span[2]/a/text()')[0]  # 用户名
            print user
            words = content.xpath('.//p/text()')[0].strip()
            star_rating = content.xpath('.//h3/span[2]/span[2]/@class')[0][7:8]
            vote = content.xpath('.//h3/span[1]/span/text()')[0]
            seetime = content.xpath('//h3/span[2]/span[3]/text()')[0]
            username.append(user)
            comments.append(words)
            star_ratings.append(star_rating)
            votecount.append(vote)
            seetimes.append(seetime)
        shortcom = {"username": username, "star_ratings": star_ratings,
                    "votecount": votecount, "comment": comments,
                    "seetimes": seetimes}
        houses_df = pd.DataFrame(shortcom)
        page += 1
        if page == 1:
            houses_df.to_csv('dbmvtest.csv', encoding="utf8")  # 写入第一页
        else:
            houses_df.to_csv('dbmvtest.csv', encoding="utf8", mode='a',
                             header=False)  # 追加下一页

        print '.................正在抓取第' + '%d' % (page) + '页'
        url='https://movie.douban.com/subject/20495023/comments'+nextpage
        time.sleep(random.uniform(1, 3))  # 间隔1-3秒抓一

于是，抓到如下评论：

三、生成词云

本来用datafram生成一些表格看上映期间每天评论数的表格，和做情感分析，但是数据有限就只做了词云。因为豆瓣短评是以评论热度（认为此评论有用的人数）来排序显示的，前25页评论基本能反映观众对电影的解读。

#coding=utf-8
from scipy.misc import imread
from os import path
import jieba
import matplotlib.pyplot as plt
from wordcloud import WordCloud, STOPWORDS,ImageColorGenerator
import csv

#从CVS中读取短评所在列的内容
def readcontent(csv):
    with open('dbmvtest.csv','rb')as csvfile:
        reader=csv.DictReader(csvfile)
        column=[row['comment']for row in reader]   #加载表头为"comment"的列，即短评内容
        content="".join(column)
        return content

def creatcloud(mvcontent):
    wordafterjieba=jieba.cut(mvcontent,cut_all=False)    #分词
    wordsplit="".join(wordafterjieba)
    BGI=imread('./coco.jpg')
    print "加载图片成功"

    #设置词云样式
    wc=WordCloud(width=1024,
                 height=768,
                 background_color="white",   #设置背景颜色
                 mask=BGI,
                 font_path='SourceHanSansCN-Normal.otf',  #设置字体
                 max_words=300
                 max_font_size=400,      #设置字体最大值
                 random_state=50)
    wc.generate_from_text(wordsplit)
    img_colors=ImageColorGenerator(BGI)
    wc.recolor(color_func=img_colors)    #设置字体颜色为背景图片颜色
      plt.imshow(wc)
    plt.axis("off")
    plt.show()
    return wc

if __name__ == '__main__':
    comment=readcontent(csv)
    pic=creatcloud(comment)
    d = path.dirname(__file__)     #获取当前文件路径
    pic.to_file(path.join(d,"dreamcloud.jpg"))
    print "..........已生成词云.........."

最终生成了如下词云：

从词语中能看到好几部动画片的名称《头脑特工队》、《僵尸新娘》、《飞屋环游记》等等，里面我就看过僵尸新娘，哈哈，不过能和僵尸新娘相提并论，这部电影很ok。“梦想”、“家庭”、“墨西哥亡灵节”、“remember”、“死亡并不可怕”都是被提及很多的词，应该是电影的主题。

后来发现好像不对，哈哈，没把句子切开，切开后重新生成时下面这样的：