首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

Python通过采集两万条数据,对《无名之辈》影评分析

前言

上周末小编去看了最近的一个电影《无名之辈》觉得非常的有意思,于是就用Python采集一下它的影评。

基本环境配置

版本:Python3

系统:Windows

案例说明:

本文主要讲述采集猫眼电影用户评论进行分析,相关爬虫采集程序可以爬取多个电影评论。

运行环境:Win10/Python3.5。

分析工具:jieba、wordcloud、pyecharts、matplotlib。

基本流程:

下载内容

分析获取关键数据

保存本地文件

分析本地文件制作图表

注:数据来源为猫眼,全部内容仅供学习,拒绝其他用途!

采集源码

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

import requests

from datetime import datetime, timedelta

import os

import time

import sys

class MaoyanFilmReviewSpider:

"""猫眼影评爬虫"""

def __init__(self, url, end_time, filename):

# 头部

self.headers = {

'User-Agent': 'Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit/604.1.38 (KHTML, like Gecko) Version/11.0 Mobile/15A372 Safari/604.1'

}

# 目标URL

self.target_url = url

# 数据获取时间段,start_time:截止日期,end_time:上映时间

now = datetime.now()

# 获取当天的 零点

self.start_time = now + timedelta(hours=-now.hour, minutes=-now.minute, seconds=-now.second)

self.start_time = self.start_time.replace(microsecond=0)

self.end_time = datetime.strptime(end_time, "%Y-%m-%d %H:%M:%S")

# 打开写入文件, 创建目录

self.save_path = "files/"

if not os.path.exists(self.save_path):

os.makedirs(self.save_path)

self.save_file = open(self.save_path + filename, "a", encoding="utf-8")

def download(self, url):

"""下载html内容"""

print("正在下载URL: "+url)

# 下载html内容

response = requests.get(url, headers=self.headers)

# 转成json格式数据

if response.status_code == 200:

return response.json()

else:

# print(html.status_code)

print('下载数据为空!')

return ""

def parse(self, content):

"""分析数据"""

comments = []

try:

for item in content['cmts']:

comment = {

'nickName': item['nickName'], # 昵称

'cityName': item['cityName'], # 城市

'content': item['content'], # 评论内容

'score': item['score'], # 评分

'startTime': item['startTime'], # 时间

}

comments.append(comment)

except Exception as e:

print(e)

finally:

return comments

def save(self, data):

"""写入文件"""

print("保存数据,写入文件中...")

self.save_file.write(data)

def start(self):

"""启动控制方法"""

print("爬虫开始... ")

start_time = self.start_time

end_time = self.end_time

num = 1

while start_time > end_time:

print("执行次数:", num)

# 1、下载html

content = self.download(self.target_url + str(start_time))

# 2、分析获取关键数据

comments = ''

if content != "":

comments = self.parse(content)

if len(comments)

print("本次数据量为:0,退出爬取! ")

break

# 3、写入文件

res = ''

for cmt in comments:

res += "%s###%s###%s###%s###%s " % (cmt['nickName'], cmt['cityName'], cmt['content'], cmt['score'], cmt['startTime'])

self.save(res)

print("本次数据量:%s " % len(comments))

# 获取最后一条数据的时间 ,然后减去一秒

start_time = datetime.strptime(comments[len(comments) - 1]['startTime'], "%Y-%m-%d %H:%M:%S") + timedelta(seconds=-1)

# start_time = datetime.strptime(start_time, "%Y-%m-%d %H:%M:%S")

# 休眠3s

num += 1

time.sleep(3)

self.save_file.close()

print("爬虫结束...")

if __name__ == "__main__":

# 确保输入参数

if len(sys.argv) != 4:

print("请输入相关参数:[moveid]、[上映日期]和[保存文件名],如:xxx.py 42962 2018-11-09 text.txt")

exit()

# 猫眼电影ID

mid = sys.argv[1] # "1208282" # "42964"

# 电影上映日期

end_time = sys.argv[2] # "2018-11-16" # "2018-11-09"

# 每次爬取条数

offset = 15

# 保存文件名

filename = sys.argv[3]

spider = MaoyanFilmReviewSpider(url="http://m.maoyan.com/mmdb/comments/movie/%s.json?v=yes&offset=%d&startTime=" % (mid, offset), end_time="%s 00:00:00" % end_time, filename=filename)

# spider.start()

spider.start()

# t1 = "2018-11-09 23:56:23"

# t2 = "2018-11-25"

#

# res = datetime.strptime(t1, "%Y-%m-%d %H:%M:%S") + timedelta(days=-1)

# print(type(res))

MaoyanFilmReviewSpider.py

数据样本,最终爬取将近2万条数据,每条记录的每个数据使用 ### 进行分割:

分析制图源码

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

from pyecharts import Geo, Bar, Bar3D

import jieba

from wordcloud import STOPWORDS, WordCloud

import matplotlib.pyplot as plt

class ACoolFishAnalysis:

"""无名之辈 --- 数据分析"""

def __init__(self):

pass

def readCityNum(self):

"""读取观众城市分布数量"""

d = {}

with open("files/myCmts2.txt", "r", encoding="utf-8") as f:

row = f.readline()

while row != "":

arr = row.split('###')

# 确保每条记录长度为 5

while len(arr)

row += f.readline()

arr = row.split('###')

# 记录每个城市的人数

if arr[1] in d:

d[arr[1]] += 1

else:

d[arr[1]] = 1 # 首次加入字典,为 1

row = f.readline()

# print(len(comments))

# print(d)

# 字典 转 元组数组

res = []

for ks in d.keys():

if ks == "":

continue

tmp = (ks, d[ks])

res.append(tmp)

# 按地点人数降序

res = sorted(res, key=lambda x: (x[1]),reverse=True)

return res

def readAllComments(self):

"""读取所有评论"""

comments = []

# 打开文件读取数据

with open("files/myCmts2.txt", "r", encoding="utf-8") as f:

row = f.readline()

while row != "":

arr = row.split('###')

# 每天记录长度为 5

while len(arr)

row += f.readline()

arr = row.split('###')

if len(arr) == 5:

comments.append(arr[2])

# if len(comments) > 20:

# break

row = f.readline()

return comments

def createCharts(self):

"""生成图表"""

# 读取数据,格式:[{"北京", 10}, {"上海",10}]

data = self.readCityNum()

# 1 热点图

geo1 = Geo("《无名之辈》观众位置分布热点图", "数据来源:猫眼,Fly采集", title_color="#FFF", title_pos="center", width="100%", height=600, background_color="#404A59")

attr1, value1 = geo1.cast(data)

geo1.add("", attr1, value1, type="heatmap", visual_range=[0, 1000], visual_text_color="#FFF", symbol_size=15, is_visualmap=True, is_piecewise=False, visual_split_number=10)

geo1.render("files/无名之辈-观众位置热点图.html")

# 2 位置图

geo2 = Geo("《无名之辈》观众位置分布", "数据来源:猫眼,Fly采集", title_color="#FFF", title_pos="center", width="100%", height=600,

background_color="#404A59")

attr2, value2 = geo1.cast(data)

geo2.add("", attr2, value2, visual_range=[0, 1000], visual_text_color="#FFF", symbol_size=15,

is_visualmap=True, is_piecewise=False, visual_split_number=10)

geo2.render("files/无名之辈-观众位置图.html")

# 3、top20 柱状图

data_top20 = data[:20]

bar = Bar("《无名之辈》观众来源排行 TOP20", "数据来源:猫眼,Fly采集", title_pos="center", width="100%", height=600)

attr, value = bar.cast(data_top20)

bar.add('', attr, value, is_visualmap=True, visual_range=[0, 3500], visual_text_color="#FFF", is_more_utils=True, is_label_show=True)

bar.render("files/无名之辈-观众来源top20.html")

print("图表生成完成")

def createWordCloud(self):

"""生成评论词云"""

comments = self.readAllComments() # 19185

# 使用 jieba 分词

commens_split = jieba.cut(str(comments), cut_all=False)

words = ''.join(commens_split)

# 给词库添加停止词

stopwords = STOPWORDS.copy()

stopwords.add("电影")

stopwords.add("一部")

stopwords.add("无名之辈")

stopwords.add("一部")

stopwords.add("一个")

stopwords.add("有点")

stopwords.add("觉得")

# 加载背景图片

bg_image = plt.imread("files/2048_bg.png")

# 初始化 WordCloud

wc = WordCloud(width=1200, height=600, background_color='#FFF', mask=bg_image, font_path='C:/Windows/Fonts/STFANGSO.ttf', stopwords=stopwords, max_font_size=400, random_state=50)

# 生成,显示图片

wc.generate_from_text(words)

plt.imshow(wc)

plt.axis('off')

plt.show()

if __name__ == "__main__":

demo = ACoolFishAnalysis()

demo.createWordCloud()

图形化分析数据

从图表可以轻松看出,用户主要分布地区,主要以沿海一些发达城市群为主:

制作观众人数TOP20的柱形图,(pyecharts-bar):

制作评论词云,(jieba、wordcloud):

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181205A1JHTW00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券