我爬取豆瓣影評，告訴你《復(fù)仇者聯(lián)盟3》在講什么？（內(nèi)附源碼）

作者：極客猴 2018-05-23 12:34:39

《復(fù)仇者聯(lián)盟3：無限戰(zhàn)爭》于 2018 年 5 月 11 日在中國大陸上映。截止 5 月 16 日，它累計(jì)票房達(dá)到 15.25 億。這票房紀(jì)錄已經(jīng)超過了漫威系列單部電影的票房紀(jì)錄。本文通過 Python 制作網(wǎng)絡(luò)爬蟲，爬取豆瓣電影評論，并分析然后制作豆瓣影評的云圖。

《復(fù)仇者聯(lián)盟3：***戰(zhàn)爭》于 2018 年 5 月 11 日在中國大陸上映。截止 5 月 16 日，它累計(jì)票房達(dá)到 15.25 億。這票房紀(jì)錄已經(jīng)超過了漫威系列單部電影的票房紀(jì)錄。不得不說，漫威電影已經(jīng)成為一種文化潮流。

先貼海報(bào)欣賞下：

復(fù)聯(lián) 3 作為漫威 10 年一劍的收官之作。漫威確認(rèn)下了很多功夫，給我們奉獻(xiàn)一部精彩絕倫的電影。自己也利用周末時(shí)間去電影院觀看。看完之后，個(gè)人覺得無論在打斗特效方面還是故事情節(jié)，都是給人愉悅的享受。同時(shí)，電影還保持以往幽默搞笑的風(fēng)格，經(jīng)常能把觀眾逗得捧腹大笑。如果還沒有去觀看的朋友，可以去電影院看看，確實(shí)值得一看。

本文通過 Python 制作網(wǎng)絡(luò)爬蟲，爬取豆瓣電影評論，并分析然后制作豆瓣影評的云圖。

1 分析

先通過影評網(wǎng)頁確定爬取的內(nèi)容。我要爬取的是用戶名，是否看過，五星評論值，評論時(shí)間，有用數(shù)以及評論內(nèi)容。

然后確定每頁評論的 url 結(jié)構(gòu)。

第二頁 url 地址：

第三頁 url 地址：

***發(fā)現(xiàn)其中的規(guī)律：除了首頁，后面的每頁 url 地址中只有 start= 的值逐頁遞增，其他都是不變的。

2 數(shù)據(jù)爬取

本文爬取數(shù)據(jù)，采用的主要是 requests 庫和 lxml 庫中 Xpath。豆瓣網(wǎng)站雖然對網(wǎng)絡(luò)爬蟲算是很友好，但是還是有反爬蟲機(jī)制。如果你沒有設(shè)置延遲，一下子發(fā)起大量請求，會被封 IP 的。另外，如果沒有登錄豆瓣，只能訪問前 10 頁的影片。因此，發(fā)起爬取數(shù)據(jù)的 HTTP 請求要帶上自己賬號的 cookie。搞到 cookie 也不是難事，可以通過瀏覽器登錄豆瓣，然后在開發(fā)者模式中獲取。

我想從影評首頁開始爬取，爬取入口是：https://movie.douban.com/subject/24773958/comments?status=P，然后依次獲取頁面中下一頁的 url 地址以及需要爬取的內(nèi)容，接著繼續(xù)訪問下一個(gè)頁面的地址。

import jieba  
import requests  
import pandas as pd  
import time  
import random  
from lxml import etree  
 
def start_spider():  
    base_url = 'https://movie.douban.com/subject/24773958/comments'  
    start_url = base_url + '?start=0'   
 
    number = 1  
    html = request_get(start_url)   
 
    while html.status_code == 200:  
        # 獲取下一頁的 url  
        selector = etree.HTML(html.text)  
        nextpage = selector.xpath("//div[@id='paginator']/a[@class='next']/@href")  
        nextpage = nextpage[0]  
        next_url = base_url + nextpage  
        # 獲取評論 
        comments = selector.xpath("//div[@class='comment']")  
        marvelthree = []  
        for each in comments:  
            marvelthree.append(get_comments(each))  
 
        data = pd.DataFrame(marvelthree)  
        # 寫入csv文件,'a+'是追加模式  
        try:  
            if number == 1:  
                csv_headers = ['用戶', '是否看過', '五星評分', '評論時(shí)間', '有用數(shù)', '評論內(nèi)容']  
                data.to_csv('./Marvel3_yingpping.csv', header=csv_headers, index=False, mode='a+', encoding='utf-8')  
            else:  
                data.to_csv('./Marvel3_yingpping.csv', header=False, index=False, mode='a+', encoding='utf-8')  
        except UnicodeEncodeError:  
            print("編碼錯(cuò)誤, 該數(shù)據(jù)無法寫到文件中, 直接忽略該數(shù)據(jù)")  
 
        data = []  
        html = request_get(next_url)

我在請求頭中增加隨機(jī)變化的 User-agent, 增加 cookie。***增加請求的隨機(jī)等待時(shí)間，防止請求過猛被封 IP。

def request_get(url):  
    '''  
    使用 Session 能夠跨請求保持某些參數(shù)。  
    它也會在同一個(gè) Session 實(shí)例發(fā)出的所有請求之間保持 cookie  
    '''  
    timeout = 3  
    UserAgent_List = [  
        "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",  
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2227.1 Safari/537.36",  
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2227.0 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2227.0 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2226.0 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 6.4; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2225.0 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2225.0 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2224.3 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 10.0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/40.0.2214.93 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 10.0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/40.0.2214.93 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2049.0 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 4.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2049.0 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1985.67 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1985.67 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.3319.102 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.2309.372 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.2117.157 Safari/537.36",  
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.47 Safari/537.36",  
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1866.237 Safari/537.36",  
    ]  
 
    header = {  
        'User-agent': random.choice(UserAgent_List),  
        'Host': 'movie.douban.com',  
        'Referer': 'https://movie.douban.com/subject/24773958/?from=showing',  
    }  
 
    session = requests.Session()  
 
    cookie = {  
        'cookie': "你的 cookie 值",  
    }  
 
    time.sleep(random.randint(5, 15))    
    response = requests.get(url, headers=header, cookies=cookie_nologin, timeout = 3)  
    if response.status_code != 200:  
        print(response.status_code)  
    return response

***一步就是數(shù)據(jù)獲取：

def get_comments(eachComment):  
    commentlist = []  
    user = eachComment.xpath("./h3/span[@class='comment-info']/a/text()")[0]  # 用戶  
    watched = eachComment.xpath("./h3/span[@class='comment-info']/span[1]/text()")[0]  # 是否看過  
    rating = eachComment.xpath("./h3/span[@class='comment-info']/span[2]/@title")  # 五星評分  
    if len(rating) > 0:  
        rating = rating[0]  
 
    comment_time = eachComment.xpath("./h3/span[@class='comment-info']/span[3]/@title")  # 評論時(shí)間  
    if len(comment_time) > 0:  
        comment_time = comment_time[0]  
    else:  
        # 有些評論是沒有五星評分, 需賦空值  
        comment_time = rating  
        rating = ''  
 
    votes = eachComment.xpath("./h3/span[@class='comment-vote']/span/text()")[0]  # "有用"數(shù)  
    content = eachComment.xpath("./p/text()")[0]  # 評論內(nèi)容  
 
 
    commentlist.append(user)  
    commentlist.append(watched)  
    commentlist.append(rating)  
    commentlist.append(comment_time)  
    commentlist.append(votes)  
    commentlist.append(content.strip())  
    # print(list)  
    return commentlist

3 制作云圖

因?yàn)榕廊〕鰜碓u論數(shù)據(jù)都是一大串字符串，所以需要對每個(gè)句子進(jìn)行分詞，然后統(tǒng)計(jì)每個(gè)詞語出現(xiàn)的評論。我采用 jieba 庫來進(jìn)行分詞，制作云圖，我則是將分詞后的數(shù)據(jù)丟給網(wǎng)站 worditout 處理。

def split_word():  
    with codecs.open('Marvel3_yingpping.csv', 'r', 'utf-8') as csvfile:  
        reader = csv.reader(csvfile)  
        content_list = []  
        for row in reader:  
            try:  
                content_list.append(row[5])  
            except IndexError:  
                pass  
 
        content = ''.join(content_list)  
 
        seg_list = jieba.cut(content, cut_all=False)  
        result = '\n'.join(seg_list)  
        print(result)