今天趁摸鱼的时候玩了会知乎,突然看到一个非常有意思的话题
单身狗不知道还能干什么,所以特地把这些数据都抓下来,看看不除了第二杯半价还能干什么?
创建scrapy项目
前面教程概念讲的我嘴都麻了,估计大家看得也快烦死了,
直接进入主题吧!
项目创建完成结构如下:
需求分析
我们的目标很简单,抓取知乎该话题下的所有评论、作者、首页
评论点赞数和评论时间并将其保存做可视化分析
网页分析
F12点击查看网页源码,所有评论信息如下:都在一个名为data的数据文件中存储。
所以第一步我们需要先获取该文件从而获取我们所需信息
item定义
上面已经分析出我们的5个需求,我们在items.py中定义如下:
# 作者首页
photo = scrapy.Field()
# 作者名称
name = scrapy.Field()
# 评论时间
cmt_time = scrapy.Field()
# 评论点赞数
stars = scrapy.Field()
# 评论内容
comments = scrapy.Field()
发送请求
找到网页请求的真实链接,如下:
然后我们使用scrapy在spider_zhihu.py文件中发送请求
defparse(self, response):
zhihu_data = response.json()
ic(zhihu_data)
可以看到,我们已经成功的获取到了该json格式数据集
但是我们的数据是存储在data列表中的,所以我么还需进一步获取到data列表才能获取到目标数据
forzhinzhihu:
# 作者首页
item['photo'] ='https://www.zhihu.com/people/'+ zh['author']['member']['url_token']
# 作者名称
item['name'] = zh['author']['member']['name']
# 评论时间
cmt_time = zh['created_time']
item['cmt_time'] = time.strftime('%Y-%m-%d %H:%M', time.localtime(cmt_time)).split(' ')[0]
# 评论点赞数
item['stars'] = zh['vote_count']
# 评论内容
item['comments'] = zh['content']
'''
ic| item: {'cmt_time': '2021-06-24',
'comments': '雨衣?那个雨衣[捂脸]',
'name': '菜鸟教程',
'photo': 'https://www.zhihu.com/people/li-shi-yi-372tian',
'stars': 484}
ic| item: {'cmt_time': '2021-06-24',
'comments': '众所周知嘛,雨衣依然是下雨天穿的衣服[蹲]',
'name': '枫叶',
'photo': 'https://www.zhihu.com/people/die-qi-hua',
'stars': 187}
ic| item: {'cmt_time': '2021-06-24',
'comments': '基本是单身狗写出来的,但凡真的谈恋爱的,不会这么做!
大家看看就得了,适合自己的才是最好的。
总之,记得适度而行!',
'name': '莫小风',
'photo': 'https://www.zhihu.com/people/mo-xiao-37-62',
'stars': 804}
ic| item: {'cmt_time': '2021-06-24',
'comments': '
她小脸胖乎乎我可喜欢,我俩从大一处到现在马上大四了。祝您和您对象也长长久久,如果没有就找一个。谢谢您! '
'
如果里面有内容容易引起误会和歧视或者可能带来风险,你可以拿出来提醒大家,而不是张口就来。谢谢您!
',
'name': '枫叶',
'photo': 'https://www.zhihu.com/people/die-qi-hua',
'stars': 402}
ic| item: {'cmt_time': '2021-06-24',
'comments': '道路千万条,安全第一条,雨衣不常备,情侣两行泪。',
'name': 'Jacob',
'photo': 'https://www.zhihu.com/people/jacob-hu',
'stars': 1405}
ic| item: {'cmt_time': '2021-06-25',
'comments': '小孩嗝屁袋',
'name': '王当心',
'photo': 'https://www.zhihu.com/people/mei-li-de-zheng-zha',
'stars': 986}
ic| item: {'cmt_time': '2021-06-26',
'comments': '现在知乎第一句不搞颜色是没有热度吗?[好奇]',
'name': 'danger soul',
'photo': 'https://www.zhihu.com/people/danger-soul-59',
'stars': 689}
'''
需求现在已经实现,我们现在要做的就是将数据抛给pipeline,让他自行去下载,这一步scrapy已经写好了,我们只需打开开关即可
ITEM_PIPELINES = {
'zhihu.pipelines.ZhihuPipeline':300,
}
多页获取
我们提取多页链接如下观察规律:
https://www.zhihu.com/api/v4/answers/1935351817/root_comments?order=normal&limit=20&offset=0&status=open
https://www.zhihu.com/api/v4/answers/1935351817/root_comments?order=normal&limit=20&offset=20&status=open
https://www.zhihu.com/api/v4/answers/1935351817/root_comments?order=normal&limit=20&offset=40&status=open
每页数据展示数目由limit=20控制;翻页参数由page控制。
所以我们多页链接构造如下:
forpageinrange(1,100+1):
url =f'https://www.zhihu.com/api/v4/answers/1935351817/root_comments?order=normal&limit=20&offset={(page-1)*20}&status=open'
数据下载
我们还是使用openpyxl将数据下载到Excel中然后做数据分析。
wb = Workbook()
ws = self.wb.active
ws.append(['作者首页','作者名称','评论时间','点赞人数','评论内容'])
line = [item['photo'], item['name'], item['cmt_time'], item['stars'], item['comments']]
ws.append(line)
wb.save('../知乎.xlsx')
数据抓取成功部分展示如下:
词云展示
我们使用stylecloud来绘图,部分代码如下:
有兴趣的小伙伴可以参考:
c_title = exist_col['评论内容'].tolist()
# 观影评论词云图
wordlist = jieba.cut(''.join(c_title))
result =' '.join(wordlist)
# 设置停用词
stop_words = ['的','是','看','了','你','我','吗','在','没','吗','这','不','就','人','好','有','都','什么','没有']
pic ='../img.jpg'
gen_stylecloud(text=result,
icon_name='fab fa-python',
font_path='msyh.ttc',
background_color='white',
output_name=pic,
custom_stopwords=stop_words
)
print('知乎词云图绘制成功!')
知乎词频图
这里我们使用熊猫来读取数据,并去除空行。使用jieba制作分词
有兴趣的小伙伴可以参考
知乎评论出现频率最高的前十个词分别如下:
# 词频设置
all_words = [wordforwordinresult.split(' ')iflen(word) >1andwordnotinstop_words]
wordcount = Counter(all_words).most_common(10)
'''
('雨衣', '思考', '一起', 'br', '对象', '捂脸', '女朋友', '可以', '一个', '就是')
(62, 58, 48, 42, 29, 28, 26, 22, 20, 18)
'''
词频图如下:
最大值62,最小值18,均值29
评论点赞最多
我们使用pandas找出点赞第一的评论如下:
# 读取数据
pd_data = pd.read_excel('../知乎.xlsx')
# 最多点赞数
max_star = pd_data[pd_data['点赞人数'] == pd_data['点赞人数'].max()]
print(max_star)
'''
作者首页 作者名称 评论时间 点赞人数 评论内容
https://www.zhihu.com/people/jacob-hu Jacob 2021-06-24 1405 道路千万条,安全第一条,雨衣不常备,情侣两行泪。
'''
自古人才出评论区,这话一点不差啊,
有对象的老板能给我解释这句话什么意思嘛
情感分析
我们以点赞最多评论为例分析观众对知乎的一些看法进行简单分析
我们是使用的库是SnowNLP
SnowNLP是一个基于Python的情感分析工具库,可以进行中文分词、词性标注、情感分析、文本分类、文本关键词提取等。
SnowNLP的情感值取值范围为0到1之间,值越大,说明情感倾向越积极。
# 情感分析
pinglun ='道路千万条,安全第一条,雨衣不常备,情侣两行泪。'
Sentiment_analysis = SnowNLP(pinglun).sentiments
print(Sentiment_analysis)
'''
0.19973577495669226
'''
得到的情感值为 0.19973577495669226,情感值较低
各位老湿机还是安全驾驶啊!
对此,你有什么看法?
网友评论