前言

利用Python爬取猫眼电影《龙牌之谜》用户评论。废话不多说。

让我们愉快地开始吧~

开发工具

Python版本： 3.6.4

相关模块：

requests模块；

pyecharts模块

pandas模块；

numpy模块；

PIL模块；

jieba模块；

以及一些Python自带的模块。

环境搭建

安装Python并添加到环境变量，pip安装需要的相关模块即可。

豆瓣数据获取

爬取的过程还是蛮简单的，直接给出代码

 1 def get_data():
 2
 3    data = []
 4
 5    for i in range(0, 150, 25):
 6
 7        url = 'https://movie.douban.com/celebrity/1054531/movies?start=%s&format=text&sortby=time&role=A1' % i
 8
 9        res = requests.get(url).text
10
11        content = BeautifulSoup(res, "html.parser")
12
13        tbody_tag = content.find_all('tbody')
14
15        tr_tag = tbody_tag[1].find_all('tr')
16
17        for tr in tr_tag:
18
19            tmp = []
20
21            name = tr.find('a').text
22
23            year = tr.find('td', attrs={'headers': 'mc_date'}).text
24
25            rate = tr.find('td', attrs={'headers': 'mc_rating'}).text
26
27            tmp.append(name)
28
29            tmp.append(year)
30
31            tmp.append(rate.replace('n', '').strip().replace('-', ''))
32
33            data.append(tmp)
34
35    return data
36
37
38
39if __name__ == '__main__':
40
41    data = get_data()
42
43    print(data)
44
45    with open('jack_data.csv', 'w', encoding='utf-8') as f:
46
47        f.write('name,year,raten')
48
49        for d in data:
50
51            try:
52
53                rowcsv = '{},{},{}'.format(d[0], d[1], d[2])
54
55                f.write(rowcsv)
56
57                f.write('n')
58
59            except:
60
61                continue

数据拿到之后，我们再做些简单的数据处理，去除掉 rate 为空的数据，和一些异常数据

1 df = pd.read_csv('jack_data.csv')
2
3 df.isnull().sum()  # 查看缺失值情况
4
5
6
7 df_copy = df.copy()
8
9 df_copy.dropna(how='any', inplace=True)  # 去掉缺失值
10
11
12
13 # 去掉异常值
14
15 except_data = df_copy[df_copy['name'].apply(lambda x: x == '喜剧之王')].index
16
17 df_copy.drop(except_data, inplace=True).

一、成龙电影总体得分分布

成龙大哥的高分电影，多集中在早年。大多数电影的评分，都几种在6-7分上下浮动。而近些年的几部电影，口碑都不是很好，有持续下滑的趋势。

二、评分最高与最低影片

成龙大哥的电影，最高得分为《龙争虎斗》，8.2 分

评分最低的是《神探蒲松龄》，只有 3.8 分。

而《龙争虎斗》是 1973 年上映的，《神探蒲松龄》 则是 2019 年上映的，也从侧面反映出近些年龙大哥在电影市场的不给力情况。
其实龙大哥早些年的《A 计划》，《警察故事》等都是我蛮喜欢的电影。

三、出产电影年份

我们再来看看哪些年份，成龙大哥出产的电影比较多呢

1978 年，成龙出产的电影占比是最多的，总共是 6 部，接下来就是 1973、1985 和 1976 年，都是 5部电影。

我们来看下这几年电影的评分情况

1978 年

1973 年

1985 年

1976 年

综上所述可以看出来，早些年，大哥年轻的时候，无论是数量还是质量，都是比较有保证的。

猫眼数据分析

爬一爬猫眼上《龙牌之谜》的用户评论，看看这个口碑不佳的作品，用户的想法是怎么样的

分析猫眼网站

我们首先进入到猫眼，找到对应的电影，目标地址为：https://maoyan.com/films/343473
页面拖到最下面，发现只有10条最热门的评论，其他评论哪去了？

浏览器手机模式

这里可以使用浏览器手机模式，在 Chrome 浏览器下，按 F12 打开开发者工具，再点击下图中的按钮，即可进入到手机模式

此时再重新刷新网页，发现我们已经神奇的进入到了猫眼的M站了

现在再拖动网页到最下部，点击查看全部评论，就可以进入到评论页面，查看全部的评论了。

寻找加载评论的接口

接下来我们继续下拉页面，发现评论是动态加载的。此时经验就非常重要了，我们让页面多加载加载评论几次，就能够发现一个“可疑”的请求，如下

接下来再查看其 response，确实就是评论内容，而且是清爽的 json 数据，心情是如此的美丽。

分析接口参数

我们先来观察下这个接口

http://m.maoyan.com/review/v2/comments.json?movieId=343473&userId=-1&offset=30&limit=15&ts=1567064825883&type=3

movieid 很显然就是电影的 id，不动
userid 的值为 -1，应该是我们没有登陆的原因
offset 经过尝试，相当于是 page 的作用，且每次的步长为 15
limit 应该是每次返回数据的数量
其他的参数暂时不明

我们把该接口信息放到 postman 中，尝试着调用下
我去掉了 movieid 以外的所有参数，发现是可以调用成功的

查看接口返回数据的最后面，发现一个 paging 字段

1 "paging": {
2        "hasMore": true,
3        "limit": 10,
4        "offset": 0,
5        "total": 2838
6    }

已经清楚的告诉了我们，还有更多数据（“hasMore”: true），每页限制为10（“limit”: 10），当前是第0页（“offset”: 0），总共的数据为2838条（“total”: 2838）。

最后经过测试，type = 3 会每次都会返回 hotComments 这个字段，而当 type = 2 时，则不会返回该字段，于是我选择使用 type 为2来发送请求，那么最终我决定使用的请求 url 就是如下：

http://m.maoyan.com/review/v2/comments.json?movieId=343473&offset=60&limit=15&type=2

offset 作为变量，循环替换即可。

编写爬虫代码

提取 json 数据

1 def get_json(res):
2    data_list = []
3    res_json = json.loads(res)
4    data = res_json['data']['comments']
5    for d in data:
6        content = d['content']
7        gender = d['gender']
8        userLevel = d['userLevel']
9        score = d['score']
10        try:
11            if len(d['tagList']) == 0:
12                ticket = 0
13            elif len(d['tagList']) == 1:
14                if d['tagList'][0]['id'] == 4:
15                    ticket = 1
16                else:
17                    ticket = 0
18            elif len(d['tagList']) == 2:
19                ticket == 1
20        except:
21            ticket = 0
22        tmp = [content, gender, userLevel, score, ticket]
23        data_list.append(tmp)
24    return data_list

解析 json 就比较简单了，只要做好异常处理即可。

因为评论中有很多 emoji 表情，可以使用正则过滤掉

1 emoji_pattern = re.compile("["
2        u"U0001F600-U0001F64F"  # emoticons
3        u"U0001F300-U0001F5FF"  # symbols & pictographs
4        u"U0001F680-U0001F6FF"  # transport & map symbols
5        u"U0001F1E0-U0001F1FF"  # flags (iOS)
6                           "]+", flags=re.UNICODE)
7 emoji_pattern1.sub(r'', str1)

最后保存数据到 csv 文件

1 def save_to_csv(data):
2    with open('maoyan_data.csv', 'w', encoding='utf-8') as f:
3        f.write('content,gender,userlevel,score,ticketn')
4        for d in data:
5            try:
6                row = '{},{},{},{},{}'.format(d[0], d[1], d[2], d[3], d[4])
7                f.write(row)
8                f.write('n')
9            except:
10                continue

展示得到的数据如下：

数据可视化分析

性别分布

我们先来看下评论者的性别分布是怎样的

可以看出，男性观众的比例还是多一些，不过大多数人都没有设置性别，隐私工作做得很不多哦

用户等级

不出所料，大部分都是 level-0的用户，普通大众最普通，天下何止千千万。

评分分布

看到结果之后扎心不，打分数量最多的是0分，不知道如果可以打负分，那么情况会是怎么样

生成评论词云

最后，我们再来做一个词云，看看评论中的高频词汇都有哪些