基于python的豆瓣电影影评的数据采集与分析论文 python电影评价分析 |
您所在的位置:网站首页 › python豆瓣电影数据分析 › 基于python的豆瓣电影影评的数据采集与分析论文 python电影评价分析 |
前段时间奉俊昊的《寄生虫》在奥斯卡上获得不少奖项,我也比较喜欢看电影,看过这部电影后比较好奇其他人对这部电影的看法,于是先用R爬取了部分豆瓣影评,jieba分词后做了词云了解,但是如果不登录豆瓣直接爬取影评只可以获得十页短评,这个数据量我认为有点少,于是整理了python模拟登录豆瓣,批量爬取数据,制作特别样式词云的方法。 一、 用到的Python库import os ##提供访问操作系统服务的功能 import re ##正则表达式 import time ##处理时间的标准库 import random ##使用随机数标准库 import requests ##实现登录 import numpy as np ##科学计算库,是一个强大的N维数组对象ndarray import jieba ##jieba分词库 from PIL import Image ##python image library 库,python3多用pillow库 import matplotlib.pyplot as plt ##绘图 plt.switch_backend('tkagg') from wordcloud import WordCloud, ImageColorGenerator##词云制作关于每个库的运用要熟悉挺久,我也只是入门级 二、思路1. 模拟登录豆瓣2. 爬取一页影评3. 批量爬取影评4. 制作普通词云5. 制作图片形状背景的词云三、代码实现1. 模拟登录豆瓣首先需要分析豆瓣的登录页面 点击鼠标右键进入“检查”,在登录窗口里输入错误的登录信息,进入Network下名为basic中,这里有许多有用的信息,如 Request URL,User-Agent,Accept-Encoding,等等 还需要看看请求登录时携带的参数,将调试窗口往下拉查看Form Data。 进入电影的短评页面,分析网页,获得网页的URL,然后分析网页源代码,查看影评在网页哪个标签内,有什么特点,然后使用正则表达式来匹配想要的标签内容。 可以发现影评都在 批量爬取主要分析网页的分页参数,在豆瓣短评url中,start参数是控制分页的参数。 def batch_spider_comment(): """ 批量爬取豆瓣影评 """ # 写入数据前先清空之前的数据 if os.path.exists(COMMENTS_FILE_PATH): os.remove(COMMENTS_FILE_PATH)##若系统已有这个文件,删除它 page = 0 while spider_comment(page): page += 1 # 模拟用户浏览,设置一个爬虫间隔,防止ip被封 time.sleep(random.random() * 3) print('爬取完毕') if login_douban():##登录成功就会批量爬取 batch_spider_comment()登录成功的话就会执行批量爬取,豆瓣网页只可查看25页的短评 得到短评文档如下: 影评获得后,就可以用jieba来分词,用wordcloud制作词云了。最普通的词云都可以这样制作: ####制作词云 f = open(COMMENTS_FILE_PATH,'r',encoding='UTF-8').read() wordlist = jieba.cut(f, cut_all=True) wl = " ".join(wordlist) # 数据清洗词列表 stop_words = ['就是', '不是', '但是', '还是', '只是', '这样', '这个', '一个','一切','一场','一部','这部', '如果', '这种','觉得','什么', '电影', '没有'] # 设置词云的一些配置,如:字体,背景色,词云形状,大小 wc = WordCloud(background_color="white", scale=4,max_words=300, max_font_size=50, random_state=42, stopwords=stop_words, font_path=WC_FONT_PATH) # 生成词云 wc.generate(wl) # 在只设置mask的情况下,你将会得到一个拥有图片形状的词云 plt.imshow(wc, interpolation="bilinear") plt.axis("off") plt.show()得到的词云如下: 会制作普通词云其实比较一般,我们还可以制作图片形状背景的词云,并且词的颜色与图片颜色一致。 ##生成图片形状背景的词云 def GetWordCloud(): path_img = "C://Users/Administrator/Desktop/Blonde-girl.jpg"##图片路径 f = open(COMMENTS_FILE_PATH,'r',encoding='UTF-8').read() wordlist = jieba.cut(f, cut_all=True) wl = " ".join(wordlist) background_image = np.array(Image.open(path_img))##Image对象与array之间的转换 # 结巴分词,生成字符串,如果不通过分词,无法直接生成正确的中文词云,感兴趣的朋友可以去查一下,有多种分词模式 # #Python join() 方法用于将序列中的元素以指定的字符连接生成一个新的字符串。 # 数据清洗词列表 stop_words = ['就是', '不是', '但是', '还是', '只是', '这样', '这个', '一个','一切','一场','一部','这部', '如果', '这种','觉得','什么', '电影', '没有'] # 设置词云的一些配置,如:字体,背景色,词云形状,大小 wc = WordCloud(background_color="white", scale=4,max_words=300,##max_words默认200 max_font_size=50, random_state=42, stopwords=stop_words, font_path=WC_FONT_PATH,mask= background_image) # 生成词云 wc.generate(wl) # 在只设置mask的情况下,你将会得到一个拥有图片形状的词云 # 生成颜色值 image_colors = ImageColorGenerator(background_image) # 下面代码表示显示图片 plt.imshow(wc.recolor(color_func=image_colors), interpolation="bilinear") plt.axis("off") plt.show() if __name__ == '__main__': GetWordCloud()背景图片如下: 图片背景的词云: 从词云可以看出来,豆瓣网友喜欢拿《燃烧》与这部电影对比,并且能看到醒目的“富人”,“穷人”,“阶级”,“底层”这种词语说明大多数人都认为《寄生虫》是反映这些主题的电影,也隐约可以看到“喜欢”,“好看”,“完美”这些夸奖的词汇,说明大部分人是认可这部电影的,但也能看见“商业”这样的评价,说明对这部电影还是存在一些争议。 四、总结如上结束了我们模拟网页登录,提取网页中影评,批量爬取,制作词云与特别形状词云。 整个流程下来会大致了解网页结构,爬虫思路,简单了解requests库的实用,与用R对比起来Python爬虫的确更加优美方便,正则表达式提取影评部分也非常的直接,数据清洗,词云制作,也非常的通俗易懂,Python的确是不得不学习的利器之一。
|
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |