作为徐老怪的忠实影迷，《狄仁杰之四大天王》肯定是要去看的，看豆瓣评分和前两部相差不多，但其实胡萝卜酱并不是很喜欢前两部，所以在犹豫要不要去看，受到糖甜甜甜的《我不是药神》推送影响，于是也简单去分析了一下《狄仁杰》的影评。
01 数据爬取
本来小编是打算爬取豆瓣的全部影评，但是很不幸，数据爬取到一半，我的账号被封了(建议大家改为动态IP进行爬取，代码可用，可加QQ群获取)，于是转战于猫眼。猫眼的短评不能直接通过源码获得，需要寻找他的数据接口，如下：
http://m.maoyan.com/mmdb/comments/movie/341516.json?_v_=yes&offset=1
其中341516属于电影的专属id，offset代表页数且只展示1000页的内容，同时仅限于当日的评论。此文只为做影评分析演示，所以小编只爬取了今日的评论，去重后仅为几百条，建议大家多爬取今天的数据，在做分析。
代码如下：
- import requests
- import json
- import time
- import random
- #下载一页数据
- def get_one_page(url):
- headers = {
- 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36'
- }
- response = requests.get(url,headers=headers)
- if response.status_code == 200: #页面正常响应
- return response.text # 返回页面源代码
- return None
- #解析一页数据
- def parse_ono_page(html):
- data = json.loads(html)['cmts'] #评论以json形式存储,故以json形式截取
- for item in data:
- yield{ #该方法返回一个字典
- 'comment':item['content'],
- 'date':item['time'].split(' ')[0],
- 'rate':item['score'],
- 'city':item['cityName'],
- 'nickname':item['nickName']
- }
- #保存数据到文本文档
- def save_to_txt():
- for i in range(1, 1001):
- url='http://m.maoyan.com/mmdb/comments/movie/341516.json?_v_=yes&offset=' + str(i)
- html = get_one_page(url)
- print('正在保存第%d页.'% i)
- for item in parse_ono_page(html):
- with open('狄仁杰.txt','a',encoding='utf-8') as f:
- f.write(item['date'] + ',' + item['nickname'] + ',' + item['city'] + ',' +str(item['rate'])+','+item['comment']+'\n')
- #反爬
- time.sleep(5 + float(random.randint(1,100)) /20)
- # 获取的评论可能有重复，为了最终统计的真实性，需做去重处理
- def delete_repeat(old,new):
- oldfile = open(old,'r',encoding='UTF-8')
- newfile = open(new,'w',encoding='UTF-8')
- content_list = oldfile.readlines() #读取的数据集
- content_alreadly_ditinct = [] #存储不重复的评论数据
- for line in content_list:
- if line not in content_alreadly_ditinct: #评论不重复
- newfile.write(line+'\n')
- content_alreadly_ditinct.append(line)
- if __name__ =='__main__':
- save_to_txt()
- delete_repeat(r'狄仁杰.txt', r'狄仁杰_new.txt')
爬取数据如下：
02 数据分析
直观来看，有用的数据仅为城市，评分和评论。我们分别采用热力图，柱状图和云图来进行可视化分析。
观影者分布热力图
根据观影者的城市，我们画出了观影者分布情况，如下图：
可明显发现东部地区，尤其是北京、上海、广东，成都等城市更为突出，当然，这和经济发展有着重要的联系，也符合我们的常规想法。
代码如下：
- from wordcloud import WordCloud, STOPWORDS
- import pandas as pd
- import jieba
- import matplotlib.pyplot as plt
- import seaborn as sns
- from pyecharts import Geo
- f = open('狄仁杰_new.txt',encoding='UTF-8')
- data = pd.read_csv(f,sep=',',header=None,encoding='UTF-8',names=['date','nickname','city','rate','comment'])
- city = data.groupby(['city'])
- rate_group = city['rate']
- city_com = city['city'].agg(['count'])
- city_com.reset_index(inplace=True)
- data_map = [(city_com['city'][i],city_com['count'][i]) for i in range(0,city_com.shape[0])]
- geo = Geo("狄仁杰",title_color="#fff",title_pos="center",width=1200,
- height=600,background_color="#404a59")
- while True:
- try:
- attr, val = geo.cast(data_map)
- geo.add("", attr, val, visual_range=[0, 50], visual_text_color="#fff", is_geo_effect_show=False,
- is_piecewise=True, visual_split_number=6, symbol_size=15, is_visualmap=True)
- except ValueError as e:
- e = str(e)
- e = e.split("No coordinate is specified for ")[1] # 获取不支持的城市名称
- for i in range(0,len(data_map)):
- if e in data_map[i]:
- data_map.pop(i)
- break
- else:
- break
- geo.render('狄仁杰.html')
评分柱状图
相较于豆瓣的评分机制，在猫眼的评分机制允许给出半星的评价，于是通过简单的柱状图来大概看一下评分情况。
大部分的评分都高于3分，尤其是给出满分的最多，只有少数的观影者给出了低分，看来徐克这部电影的口碑还行，至少在及格线以上。那大家观完影，最直观的感受是什么呢，接下来就通过短评分析来看看。
代码如下：
- #评分分析
- rate = data['rate'].value_counts()
- sns.set_style("darkgrid")
- bar_plot = sns.barplot(x=rate.index,y=(rate.values/sum(rate)),palette="muted")
- plt.xticks(rotation=90)
- plt.show()
短评词云图
为了分析短评，我们采用jieba对短评进行了分词，然后做出词云图。
背景图：
词云图：
和前两部一样，最突出的是特效，剧情和徐老怪，看来在这部电影里面，徐克肯定也将特效做的很棒，个人风格也肯定展示的***。同时，也能发现好看，不错，推荐也是观影者的主要感受，看来还是蛮值得去看的。
代码如下：
- #分词
- comment = jieba.cut(str(data["comment"]),cut_all=False)
- wl_space_split= " ".join(comment)
- #导入背景图
- backgroud_Image = plt.imread('xuke.jpg')
- stopwords = STOPWORDS.copy()
- print(" STOPWORDS.copy()",help(STOPWORDS.copy()))
- #可以自行加多个屏蔽词，也可直接下载停用词表格
- stopwords.add("电影")
- stopwords.add("一部")
- stopwords.add("一个")
- stopwords.add("没有")
- stopwords.add("什么")
- stopwords.add("有点")
- stopwords.add("这部")
- stopwords.add("这个")
- stopwords.add("不是")
- stopwords.add("真的")
- stopwords.add("感觉")
- stopwords.add("觉得")
- stopwords.add("还是")
- stopwords.add("特别")
- stopwords.add("非常")
- stopwords.add("可以")
- stopwords.add("因为")
- stopwords.add("为了")
- stopwords.add("比较")
- print (stopwords)
- #设置词云参数
- #参数分别是指定字体/背景颜色/***的词的大小,使用给定图作为背景形状
- wc =WordCloud(width=1024,height=768,background_color='white',
- mask = backgroud_Image,font_path='C:/Windows/Fonts/simkai.ttf',
- stopwords=stopwords,max_font_size=400,
- random_state=50)
- #将分词后数据传入云图
- wc.generate_from_text(wl_space_split)
- plt.imshow(wc)
- plt.axis('off')#不显示坐标轴
- plt.show()
- #保存结果到本地
- wc.to_file(r'xuke_wordcloud.jpg')
03 结语
本文只是做了简单的数据爬取和分析，主要是用以学习如何进行分词，词云和热力图，建议大家可以基于此进行练习。(胡萝卜酱要抽空去看狄仁杰了，开熏)
