Python采集豆某影片并作词云图分析

前言

嗨喽~大家好呀，这里是魔王呐 ❤ ~!

image

环境使用:

• Python 3.8 解释器

• Pycharm 编辑器

模块使用：

• import parsel >>> pip install parsel

• import requests >>> pip install requests

• import csv

爬虫基本思路:

一. 数据来源分析:

1. 明确需求

   • 明确采集的网站是什么?

   • 明确采集的数据是什么?

     影评相关数据内容: 昵称/时间/内容/归属地...

2. 抓包分析

   通过开发者工具进行抓包分析

   • 打开开发者工具: 在网页上面 F12 / 鼠标右键点击检查选择network

   • 刷新网页: 让网页数据重新加载一遍

   • 通过关键字搜索数据来源: 关键字<要获取的数据>

二. 代码实现步骤:

1. 发送请求, 模拟浏览器对于url地址发送请求

2. 获取数据, 获取服务器返回响应数据

   开发者工具: response

3. 解析数据, 提取我们想要的数据内容\

   影评相关数据

4. 保存数据, 把数据内容保存csv表格文件里面

代码展示

# 导入数据请求模块 --> 第三方模块, 需要安装 pip install requests
import requests
# 导入数据解析模块 --> 第三方模块, 需要安装 pip install parsel
import parsel
# 导入csv模块 --> 内置模块, 不需要安装
import csv

"""

• 安装模块:
  1. win + R 输入cmd 然后输入 安装命令 pip install requests
  2. 在pycharm终端里面 输入安装命令 pip install requests
• 模拟浏览器: --> headers 请求头 <开发者工具进行复制>
  把python代码伪装成浏览器去发送请求
  目的: 为了防止被反爬
  反爬: 你得不到数据, 或者返回的数据不是你想要的
• 如何批量替换
  1. 选中替换内容, ctrl + R
  2. 勾选上 .* 正则
  3. 输入正则匹配规则, 进行替换
  :.*
  ,
• 采集的速度过快/频繁, 可能会IP异常
  解决方法:
  1. 登陆账号加上cookie
  2. 用IP代理, 切换IP
  免费的IP, https 可能用不了 HTTP有一些可以的, 质量不好
  氪金的IP 一个IP 几分钱一个
  • 多页的数据采集
    分析请求链接的变化规律

你要从事pachong岗位, 这方面工作: <采集的数据量比较大>
天天和反爬打交道了JS逆向,加密 反爬IP被封,账号被封

"""

1. 发送请求, 模拟浏览器对于url地址发送请求

# 0<起始数包含>, 201<末尾数不包含>, 20<步长>
for page in range(0, 201, 20):
    # 请求链接 字符串格式化方法 -->
    url = f'https://movie.****.com/subject/4811774/comments?start={page}&limit=20&status=P&sort=new_score'
    # 伪装模拟
    headers = {
        # User-Agent 用户代理, 表示浏览器基本身份信息
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
    }
    # 发送请求
    response = requests.get(url=url, headers=headers)

"""

2. 获取数据, 获取服务器返回响应数据

   开发者工具: response

   response.text --> 获取响应文本数据

   response --> 响应对象

   text --> 文本

"""

    # 把获取下来html字符传数据<response.text>, 转换可解析的对象
    selector = parsel.Selector(response.text)

"""

3. 解析数据, 提取我们想要的数据内容

   影评相关数据

   css选择器: 根据标签属性提取数据内容

"""

    # 第一次提取所有内容
    divs = selector.css('div.comment-item')
    # 把列表里面元素一个一个提取出来, for循环遍历
    for div in divs:
        """
        湖南 长沙
        .comment-info a::text --> 提取类名为comment-info标签下面a标签里面文本数据
        get() --> 获取第一个标签数据, 返回字符串数据类型
        attr() --> 获取标签里面属性
        """
        name = div.css('.comment-info a::text').get()  # 昵称
        rating = div.css('.rating::attr(title)').get()  # 评分
        date = div.css('.comment-time ::attr(title)').get()  # 日期
        area = div.css('.comment-location::text').get()  # 归属地
        short = div.css('.short::text').get().replace('\n', '')  # 评论
        count = div.css('.vote-count::text').get()  # 有用
        # 把数据放到字典里面
        dit = {
            '昵称': name,
            '评分': rating,
            '日期': date,
            '归属地': area,
            '评论': short,
            '有用': count,
        }
        # 写入数据
        csv_writer.writerow(dit)
        print(name, rating, date, area, short, count)

创建文件对象

f = open('影评.csv', mode='a', encoding='utf-8-sig', newline='')
# f 文件对象 fieldnames 表头/字段名
csv_writer = csv.DictWriter(f, fieldnames=[
    '昵称',
    '评分',
    '日期',
    '归属地',
    '评论',
    '有用',
])

# 写入表头
csv_writer.writeheader()

绘制词云图

模块导入

# 导入结巴模块 --> 第三方模块, 需要安装 pip install jieba
import jieba
# 导入pandas --> 第三方模块, 需要安装 pip install pandas
import pandas as pd
# 导入词云模块 --> 第三方模块, 需要安装 pip install wordcloud
import wordcloud

读取csv表格里面数据内容

df = pd.read_csv('影评.csv')

获取评论内容

content_list = df['评论'].to_list()
# 把列表转成字符串
content = ''.join(content_list)
# 进行分词处理
string = ' '.join(jieba.lcut(content))

词云图配置

wc = wordcloud.WordCloud(
    width=1000,  # 宽
    height=700,  # 高
    background_color='white',  # 背景颜色
    font_path='msyh.ttc', # 设置字体
    stopwords={'了', '的', '是', '我', '在', '和'},
    scale=15
)
# 传入文字内容
wc.generate(string)
# 输出词云图
wc.to_file('词云图.png')
print(string)

尾语 💝

要成功，先发疯，下定决心往前冲！

学习是需要长期坚持的，一步一个脚印地走向未来！

未来的你一定会感谢今天学习的你。

—— 心灵鸡汤

本文章到这里就结束啦~感兴趣的小伙伴可以复制代码去试试哦 😝

image