用 Python 爬取 500 条豆瓣影评，看看《蚁人2》是否有看点？

概述“不以大小论英雄。”《蚁人2》已热映多天，本文就来看看豆瓣电影上的这部片子评分如何，从代码和数据层面给出最客观的解读。

“不以大小论英雄。”《蚁人2》已热映多天，本文就来看看豆瓣电影上的这部片子评分如何，从代码和数据层面给出最客观的解读。

作为练手，笔者本来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。整篇文章共包含数据爬取和文本分析两部分，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。

爬虫部分

首先说明一下目标和工具：

进群：548377875  即可获取数十套pdf哦！

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。

豆瓣上的影评分为两种，一种是长篇大论的影评，还有一种是短评，类似上图。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，之后尝试过程中登陆的次数太多又有了验证码，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1011 # 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) 1718 browser.find_element_by_CSS_selector('input[]').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不是这两个，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。

相关代码如下：

 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!')1617 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 + 125 except:26 AllArticle = AllArticle.reset_index(drop = True)27 return AllArticle28 AllArticle = AllArticle.reset_index(drop = True)29 return AllArticle

调用以下两个函数爬取数据，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：

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：

可以看出......

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

情感分析做得比较简单，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']]1112# 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：

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')1314alice_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',2122 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 )30313233plt.figure(figsize=(12,12))34word_cloud = cloud.generate_from_frequencIEs(text_cloud)35plt.imshow(word_cloud)36plt.axis('off')37plt.show()

关键词

从分词结果来看，"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！

总结

以上是内存溢出为你收集整理的用 Python 爬取 500 条豆瓣影评，看看《蚁人2》是否有看点？全部内容，希望文章能够帮你解决用 Python 爬取 500 条豆瓣影评，看看《蚁人2》是否有看点？所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。