我爬取豆瓣影评，告诉你《复仇者联盟3》在讲什么？（内附源码）

《复仇者联盟3：无限战争》于 2018 年 5 月 11 日在中国大陆上映。截止 5 月 16 日，它累计票房达到 15.25 亿。这票房纪录已经超过了漫威系列单部电影的票房纪录。不得不说，漫威电影已经成为一种文化潮流。

先贴海报欣赏下：

复联 3 作为漫威 10 年一剑的收官之作。漫威确认下了很多功夫， 给我们奉献一部精彩绝伦的电影。自己也利用周末时间去电影院观看。看完之后，个人觉得无论在打斗特效方面还是故事情节，都是给人愉悦的享受。同时，电影还保持以往幽默搞笑的风格，经常能把观众逗得捧腹大笑。如果还没有去观看的朋友，可以去电影院看看，确实值得一看。

本文通过 Python 制作网络爬虫，爬取豆瓣电影评论，并分析然后制作豆瓣影评的云图。

1 分析

先通过影评网页确定爬取的内容。我要爬取的是用户名，是否看过，五星评论值，评论时间，有用数以及评论内容。

然后确定每页评论的 url 结构。

第二页 url 地址：

第三页 url 地址：

最后发现其中的规律：除了首页，后面的每页 url 地址中只有 start= 的值逐页递增，其他都是不变的。

2 数据爬取

本文爬取数据，采用的主要是 requests 库和 lxml 库中 Xpath。豆瓣网站虽然对网络爬虫算是很友好，但是还是有反爬虫机制。如果你没有设置延迟，一下子发起大量请求，会被封 IP 的。另外，如果没有登录豆瓣，只能访问前 10 页的影片。因此，发起爬取数据的 HTTP 请求要带上自己账号的 cookie。搞到 cookie 也不是难事，可以通过浏览器登录豆瓣，然后在开发者模式中获取。

我想从影评首页开始爬取，爬取入口是：https://movie.douban.com/subject/24773958/comments?status=P，然后依次获取页面中下一页的 url 地址以及需要爬取的内容，接着继续访问下一个页面的地址。

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:  




        # 获取下一页的 url  




        selector = etree.HTML(html.text)  




        nextpage = selector.xpath("//div[@id='paginator']/a[@class='next']/@href")  




        nextpage = nextpage[0]  




        next_url = base_url + nextpage  



        # 获取评论 



        comments = selector.xpath("//div[@class='comment']")  




        marvelthree = []  




        for each in comments:  




            marvelthree.append(get_comments(each))  



 



        data = pd.DataFrame(marvelthree)  




        # 写入csv文件,'a+'是追加模式  




        try:  




            if number == 1:  




                csv_headers = ['用户', '是否看过', '五星评分', '评论时间', '有用数', '评论内容']  




                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("编码错误, 该数据无法写到文件中, 直接忽略该数据")  



 



        data = []  



        html = request_get(next_url) 

我在请求头中增加随机变化的 User-agent, 增加 cookie。最后增加请求的随机等待时间，防止请求过猛被封 IP。

def request_get(url):  




    '''  




    使用 Session 能够跨请求保持某些参数。  




    它也会在同一个 Session 实例发出的所有请求之间保持 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 

最后一步就是数据获取：

def get_comments(eachComment):  




    commentlist = []  




    user = eachComment.xpath("./h3/span[@class='comment-info']/a/text()")[0]  # 用户  




    watched = eachComment.xpath("./h3/span[@class='comment-info']/span[1]/text()")[0]  # 是否看过  




    rating = eachComment.xpath("./h3/span[@class='comment-info']/span[2]/@title")  # 五星评分  




    if len(rating) > 0:  




        rating = rating[0]  



 



    comment_time = eachComment.xpath("./h3/span[@class='comment-info']/span[3]/@title")  # 评论时间  




    if len(comment_time) > 0:  




        comment_time = comment_time[0]  




    else:  




        # 有些评论是没有五星评分, 需赋空值  




        comment_time = rating  




        rating = ''  



 



    votes = eachComment.xpath("./h3/span[@class='comment-vote']/span/text()")[0]  # "有用"数  




    content = eachComment.xpath("./p/text()")[0]  # 评论内容  



 


 



    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 制作云图

因为爬取出来评论数据都是一大串字符串，所以需要对每个句子进行分词，然后统计每个词语出现的评论。我采用 jieba 库来进行分词，制作云图，我则是将分词后的数据丢给网站 worditout 处理。

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) 

最后制作出来的云图效果是：