ICode9

精准搜索请尝试: 精确搜索
首页 > 其他分享> 文章详细

《蚁人2》豆瓣影评爬虫+简单情感分析+词云

2019-06-20 21:54:40  阅读:354  来源: 互联网

标签:articles 爬虫 element captcha 豆瓣 词云 AllArticle find browser


打算把豆瓣上的短评爬下来作为分析的素材。

然而并没有成功爬到所有的短评,一波三折,最终只爬到了500条,当然这也是豆瓣目前可见的最大数量,本文将细致分析爬虫的整个过程,并对爬到的数据加以分析,蚁小见大。

 

整篇文章共包含爬和文本分析两部分,因为爬到的数据包含信息较少,所以分析过程相对简单,包含描述统计分析、情感分析和分词词云,主要代码在各部分给出,需要完整代码和爬到的数据请在后台回复"蚁人2爬虫",可以直接运行。

 

1. 爬虫部分

 

首先说明一下目标和工具

软件:python3.6

packages:selenium  jieba  snownlp  wordcloud

后三个是之后文本分析用的。

目标网址:https://movie.douban.com/subject/26636712/comments?status=P

豆瓣上的影评分两种,一种是长篇大论的影评,还有一种是短评,类似上图中,这次爬虫的目标就是上图中红色框线中的短评,信息包括用户名星级评价日期有用数评论正文,虽说主页显示45576条,但其实可见的只有500条,每页是20条短评,多一条都不给,手动去点,点到25页之后就没有任何信息了。

 

第一遍直接用selenium去爬只爬到了200条,200条之后就自动停止了,后来检查了半天发现必须登录豆瓣上去才能看到更多的评论,然后又加了登陆的代码,后来尝试过程中登陆的太多又有了验证码,又加了一个手动输入验证码的部分,最终成功爬到了500条,因为之前没有处理过登陆相关的,所以折腾了很长时间,整体过程如下。

 

登陆

登陆页面是豆瓣主页https://www.douban.com/,并不是我们爬取的网站,所以首先通过selenium模拟登陆之后,再获取蚁人2短评页面进行爬虫。

 

通过chrome开发者工具获得账户名,密码,验证码的位置,账户名和密码直接输入,验证码获取图片后先存到本地,打开后手动输入,输入之后关掉验证码图片,代码继续执行,就登录成功了,刚开始登的时候不需要验证码。

 

账户名位置(点开放大)

密码位置(点开放大)

验证码位置(点开放大)

 

代码如下

 1def gethtml(url):
 2    loginurl='https://www.douban.com/'    # 登录页面
 3
 4    browser = webdriver.PhantomJS()    
 5    browser.get(loginurl)    # 请求登录页面
 6    browser.find_element_by_name('form_email').clear()  # 获取用户名输入框,并先清空
 7    browser.find_element_by_name('form_email').send_keys(u'你的用户名') # 输入用户名
 8    browser.find_element_by_name('form_password').clear()  # 获取密码框,并清空
 9    browser.find_element_by_name('form_password').send_keys(u'你的密码') # 输入密码
10
11    # 验证码手动处理,输入后,需要将图片关闭才能继续执行下一步
12    captcha_link = browser.find_element_by_id('captcha_image').get_attribute('src')
13    urllib.request.urlretrieve(captcha_link,'captcha.jpg')
14    Image.open('captcha.jpg').show()
15    captcha_code = input('Pls input captcha code:')
16    browser.find_element_by_id('captcha_field').send_keys(captcha_code)   
17
18    browser.find_element_by_css_selector('input[class="bn-submit"]').click()
19    browser.get(url)
20    browser.implicitly_wait(10)
21    return(browser)

 

爬短评

登录之后,转到我们要爬的蚁人2短评页面,爬完一页之后,找到后页的位置click跳转到下一页继续爬,循环一直到最后一页,从开发者工具可以看到,第一页的后页xpath是"//*[@id='paginator']/a",之后每一页的后页的xpath都是"//*[@id='paginator']/a[3]",但最后一页的xpath不为这两个,因此可以通过循环的方式,第一页之后,只要"//*[@id='paginator']/a[3]"找得到,就跳转到下一页继续爬,直到找不到为止。

具体爬的时候,用一个dataframe来存所有的信息,一行为一个用户的所有数据,数据位置仍然通过开发者工具获得,细节不再赘述。

 

代码

 1def getComment(url):
 2    i = 1
 3    AllArticle = pd.DataFrame()
 4    browser = gethtml(url)
 5    while True:
 6        s = browser.find_elements_by_class_name('comment-item')
 7        articles = pd.DataFrame(s,columns = ['web'])
 8        articles['uesr'] = articles.web.apply(lambda x:x.find_element_by_tag_name('a').get_attribute('title'))
 9        articles['comment'] = articles.web.apply(lambda x:x.find_element_by_class_name('short').text)
10        articles['star'] = articles.web.apply(lambda x:x.find_element_by_xpath("//*[@id='comments']/div[1]/div[2]/h3/span[2]/span[2]").get_attribute('title'))
11        articles['date'] = articles.web.apply(lambda x:x.find_element_by_class_name('comment-time').get_attribute('title'))
12        articles['vote'] = articles.web.apply(lambda x:np.int(x.find_element_by_class_name('votes').text))
13        del articles['web']
14        AllArticle = pd.concat([AllArticle,articles],axis = 0)
15        print ('第' + str(i) + '页完成!')
16
17        try:
18            if i==1:
19                browser.find_element_by_xpath("//*[@id='paginator']/a").click()  
20            else:
21                browser.find_element_by_xpath("//*[@id='paginator']/a[3]").click()
22            browser.implicitly_wait(10)
23            time.sleep(3) # 暂停3秒
24            i = i + 1
25        except:
26            AllArticle = AllArticle.reset_index(drop = True)
27            return AllArticle
28    AllArticle = AllArticle.reset_index(drop = True)
29    return AllArticle

 

调用以上两个函数爬取数据,其实对于豆瓣上别的电影影评,估计稍微改一改也可以爬了

1url = 'https://movie.douban.com/subject/26636712/comments?status=P'
2result = getComment(url)

 

最终爬下来的数据大概是这样子

 

2. 文本分析

 

描述统计分析

首先看一看拿到的样本中各星级评价的分布情况,None表示没有星级评价。

整体来看,三星四星评价巨多,说明大家对于蚁人2整体评价还不错。

 

再来看看哪些短评大家最认可,投票数最多

 

嗯,怎么说呢

初代黄蜂女的扮演者米歇尔·菲佛也成功引起了广大影迷的注意力。

 

情感分析

情感分析做的比较简单,主要借助于snownlp包,对于评论的情感倾向进行评分,0-1之间,越正面的情感倾向对应的分值越高,不过根据官方说明,这里用到的模型是用购物评价数据训练出来的,用到这里可能误差会有些大, 姑且一试吧,感觉效果还可以。

 1# 情感分析
 2def sentiment(content):
 3    s = SnowNLP(str(content))
 4    return s.sentiments
 5
 6
 7result['sentiment'] = result.comment.apply(sentiment)
 8
 9# 负面评价
10result.sort(['sentiment'],ascending = True)[:10][['comment','sentiment']]
11
12# 正面评价
13result.sort(['sentiment'],ascending = False)[:10][['comment','sentiment']]

 

先来看看正面评价,sentiment表示情感得分。

 

恩,看上去正面评价基本都是高星级评分的观众给出的,有理有据,令人信服。再来看看负面评价

 

分词词云

通过jieba进行分词,根基TF-IDF算法提取关键词,代码及部分关键词如下

 1texts = ';'.join(result.comment.tolist())
 2cut_text = " ".join(jieba.cut(texts))
 3keywords = jieba.analyse.extract_tags(cut_text, topK=500, withWeight=True, allowPOS=('a','e','n','nr','ns'))
 4
 5
 6ss = pd.DataFrame(keywords,columns = ['词语','重要性'])
 7
 8fig = plt.axes()
 9plt.barh(range(len(ss.重要性[:20][::-1])),ss.重要性[:20][::-1],color = 'darkred')
10fig.set_yticks(np.arange(len(ss.重要性[:20][::-1])))
11fig.set_yticklabels(ss.词语[:20][::-1],fontproperties=font)
12fig.set_xlabel('Importance')
13
14alice_mask = np.array(Image.open( "yiren.jpg"))
15text_cloud = dict(keywords)
16cloud = WordCloud(
17        width = 600,height =400,
18        font_path="STSONG.TTF",
19        # 设置背景色
20        background_color='white',
21
22        mask=alice_mask,
23        #允许最大词汇
24        max_words=500,
25        #最大号字体
26        max_font_size=150,
27        #random_state=777,
28   #     colormap = 'Accent_r'
29    )
30
31
32
33plt.figure(figsize=(12,12))
34word_cloud = cloud.generate_from_frequencies(text_cloud)
35plt.imshow(word_cloud)
36plt.axis('off')
37plt.show()

 

关键词

分词结果来看,"彩蛋"毫无疑问是是蚁人2中大家最关心的点。最后,以蚁人分词词云作为文章结尾!

 

标签:articles,爬虫,element,captcha,豆瓣,词云,AllArticle,find,browser
来源: https://blog.csdn.net/zhusongziye/article/details/93135041

本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享;
2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关;
3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关;
4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除;
5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有