牛刀小试-《你好，李焕英》影评词云-你好,李焕英影评

最近，贾玲导演的电影《你好，李焕英》在春节档一众电影中脱颖而出，成为了一匹黑马，更是中国影史上第三部票房破50亿的电影。

我们从豆瓣上看到，该影片当前评分是8.1分，接近30%的评价都是5颗星。今天我们就来从豆瓣上爬取一部分影评，结合jieba和pyecharts做个分词和词云图。

打开开发者工具

首先，在豆瓣上找到电影《你好，李焕英》，下拉到影评区，可以看到共有三十多万条短评和七千多影评。短评数量太多了，我们还是数量较少的影评下手吧。接下来，在浏览器中按F12或者右键点击检查打开开发者工具，然后选择network(网络)选项，然后点击上图中影评区的“全部7494条”，就可以在开发者工具中看到一系列的请求。

寻找目标URL

将影评区拖到最底部，将会看到影评被分成来几百个页面，然后我们清空开发者工具中的捕获的请求，点击下一页，在请求列表中找到第一条，这就是我们翻页的通用请求了：每页20条，使用start参数判断起始位置，这样循环300多次就可以获取到全部的影评了。

等等，貌似还少了什么?由于影评内容较长，评论只显示了一部分，要想看到全部内容，还需要点击一下展开全文。

点一下展开，发现浏览器发出一条这样的请求，刚好返回的json就是完整的评论内容。依次点击后面的几条影评，也都是同样格式的请求，只有full前面的数字发生了变化，可以断定这串数字就是这条影评的id了。那么如何知道每一条影评的id是什么呢?

检查目标元素

鼠标放到展开按钮上，右键点击检查元素，我们可以发现，页面上的每一条影评都对应了一个div，这个div有一个data-cid的参数，它的值刚好就是上面我们请求中的id，所以我们只要在每次请求页面时，遍历review-list中所有的div，获取到data-cid的值，再把影评id循环代入到上面的url中请求完整影评内容即可。

爬取完影评评论并保存到本地，然后使用jieba分词将评论文章分割成单词，然后去除停用词并统计词频。

大功告成

最后一步就是利用我们前面提到的pyecharts中的wordcloud来制作词云了。选择一张照片作为词云的形状，然后导入单词及其词频作为权重，输出文件即可。

（图片来源于网络，侵删）

详细代码：

import requests 
import random, time, json 
from bs4 import BeautifulSoup as bs 
import jieba 
import pandas as pd 
from pyecharts import charts, options 
 
url1 = 'https://movie.douban.com/subject/34841067/reviews?start={}' 
url2 = 'https://movie.douban.com/j/review/{}/full' 
header = '''Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9 
Accept-Encoding: gzip, deflate, br 
Accept-Language: zh-CN,zh;q=0.9 
Connection: keep-alive 
Cookie: bid=RWSCuDu3-hA; douban-fav-remind=1; __gads=ID=f22d1fef6a644a7a-228e1b3a32c50048:T=1607935481:RT=1607935481:S=ALNI_MZwRU5qCsyehoDFgRdf7D5PRBqqCg; ll="108288"; _pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1614764251%2C%22https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3DlzDNd94NFnBQCDIqNI00Il5NwjZoARpWz1lQy5MGKdL26rV5yrb1N1HIoGzoKu5k%26wd%3D%26eqid%3Dda5556d4000016f000000003603f58d7%22%5D; ap_v=0,6.0; __utmc=30149280; __utmz=30149280.1614764252.6.6.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; __utma=223695111.1843127241.1614764252.1614764252.1614764252.1; __utmc=223695111; __utmz=223695111.1614764252.1.1.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; __yadk_uid=rcNjENFDHY62mSmlZqJtXPKJZUfQkM75; _vwo_uuid_v2=D771633F1FBA119FD38FD79DCE082F26D|35b2c7beff079fe25b62163affe94ce8; _pk_id.100001.4cf6=2e0a301ce93b85e0.1614764251.1.1614764408.1614764251.; __utma=30149280.1170719909.1607935481.1614764252.1614766647.7; __utmt=1; __utmb=30149280.2.9.1614766647; dbcl2="152966201:ETujHWfkU2g"; ck=1WtR 
Host: movie.douban.com 
Referer: https://accounts.douban.com/ 
Sec-Fetch-Dest: document 
Sec-Fetch-Mode: navigate 
Sec-Fetch-Site: same-site 
Sec-Fetch-User: ?1 
Upgrade-Insecure-Requests: 1 
User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 11_2_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.192 Safari/537.36''' 
headers = {x.split(': ')[0]: x.split(': ')[1] for x in header.split('\n')} 
session = requests.session() 
session.headers = headers 
result1 = [] 
for i in range(0, 365): 
    print(i) 
    try: 
        r = session.get(url1.format(i)) 
        r.close() 
        content = bs(r.text) 
        result1.extend(x.get('data-cid') for x in content.select('div.review-list > div')) 
    except: 
        pass 
    time.sleep(random.randrange(3, 20)) 
 
result2 = [] 
for j in result1: 
    print(result1.index(j)) 
    try: 
        r = session.get(url2.format(j)) 
        r.close() 
        data = json.loads(r.text) 
        result2.append(data) 
    except: 
        pass 
    time.sleep(random.randrange(10, 20)) 
 
review = [] 
for i in result2: 
    html = bs(i['html']) 
    review.append(html.text) 
for i in ['贾玲', '贾晓玲', '沈腾', '张小斐', '李焕英', '光林', '陈赫', '沈光林', '冷特']: 
    jieba.add_word(i) 
words = [] 
for x in review: 
    cut = jieba.lcut(x) 
    words.extend(cut) 
 
with open('stopwords.txt', 'r')as f: 
    stop = [x.strip() for x in f.readlines()] 
    f.close() 
df = pd.DataFrame(words, columns=['words']) 
df_count = pd.DataFrame(df.groupby('words').size()) 
count = df_count.loc[[x for x in df_count.index.values if x not in stop]].sort_values(0, ascending=False) 
cloud = charts.WordCloud(init_opts=options.InitOpts(width='2000px', height='2000px')) 
cloud.add('你好，李焕英', 
          data_pair=[(x, count.loc[x].values[0] / 100) for x in count.index.values], 
          mask_image='jialing.jpeg', 
          word_size_range=[10, 300]) 
cloud.render('你好李焕英.html')