[Python] 通过采集两万条数据，对《无名之辈》影评分析
一、说明
本文主要讲述采集猫眼电影用户评论进行分析，相关爬虫采集程序可以爬取多个电影评论。
运行环境：Win10/Python3.5。
分析工具：jieba、wordcloud、pyecharts、matplotlib。
基本流程：下载内容 ---> 分析获取关键数据 ---> 保存本地文件 ---> 分析本地文件制作图表
注意：本文所有图文和源码仅供学习，请勿他用，转发请注明出处！
本文主要参考：https://mp.weixin.qq.com/s/mTxxkwRZPgBiKC3Sv-jo3g
二、开始采集
2.1、分析数据接口：
为了健全数据样本，数据直接从移动端接口进行采集，连接如下，其中橙色部分为猫眼电影ID，修改即可爬取其他电影。
链接地址：http://m.maoyan.com/mmdb/comments/movie/.json?v=yes&offset=15&startTime=
接口返回的数据如下，主要采集（昵称、城市、评论、评分和时间），用户评论在 json['cmts'] 中：
2.2、爬虫程序核心内容（详细可以看后面源代码）：
>启动脚本需要的参数如下（脚本名+猫眼电影ID+上映日期+数据保存的文件名）：.\myMovieComment.py 2016-11-16 myCmts2.txt
>下载html内容：download(self, url)，通过python的requests模块进行下载，将下载的数据转成json格式
def download(self, url):
"""下载html内容""" print("正在下载URL: "+url)
# 下载html内容
response = requests.get(url, headers=self.headers) # 转成json格式数据
if response.status_code == 200:
return response.json()
else:
# print(html.status_code)
print('下载数据为空！')
return ""
>然后就是对已下载的内容进行分析，就是取出我们需要的数据：
def parse(self, content):
"""分析数据""" comments = []
try:
for item in content['cmts']:
comment = {
'nickName': item['nickName'], # 昵称
'cityName': item['cityName'], # 城市
'content': item['content'], # 评论内容
'score': item['score'], # 评分
'startTime': item['startTime'], # 时间
}
comments.append(comment) except Exception as e:
print(e) finally:
return comments
>将分析出来的数据，进行本地保存，方便后续的分析工作：
def save(self, data):
"""写入文件""" print("保存数据，写入文件中...")
self.save_file.write(data)
> 爬虫的核心控制也即爬虫的程序启动入口，管理上面几个方法的有序执行：
def start(self):
"""启动控制方法""" print("爬虫开始...\r\n") start_time = self.start_time
end_time = self.end_time num = 1
while start_time > end_time:
print("执行次数:", num)
# 1、下载html
content = self.download(self.target_url + str(start_time)) # 2、分析获取关键数据
comments = ''
if content != "":
comments = self.parse(content) if len(comments) <= 0:
print("本次数据量为：0，退出爬取！\r\n")
break # 3、写入文件
res = ''
for cmt in comments:
res += "%s###%s###%s###%s###%s\n" % (cmt['nickName'], cmt['cityName'], cmt['content'], cmt['score'], cmt['startTime'])
self.save(res) print("本次数据量：%s\r\n" % len(comments)) # 获取最后一条数据的时间 ，然后减去一秒
start_time = datetime.strptime(comments[len(comments) - 1]['startTime'], "%Y-%m-%d %H:%M:%S") + timedelta(seconds=-1)
# start_time = datetime.strptime(start_time, "%Y-%m-%d %H:%M:%S") # 休眠3s
num += 1
time.sleep(3) self.save_file.close()
print("爬虫结束...")
2.3 数据样本，最终爬取将近2万条数据，每条记录的每个数据使用 ### 进行分割：
三、图形化分析数据
3.1、制作观众城市分布热点图，(pyecharts-geo)：
从图表可以轻松看出，用户主要分布地区，主要以沿海一些发达城市群为主：
def createCharts(self):
"""生成图表""" # 读取数据,格式：[{"北京", 10}, {"上海",10}]
data = self.readCityNum() # 1 热点图
geo1 = Geo("《无名之辈》观众位置分布热点图", "数据来源：猫眼，Fly采集", title_color="#FFF", title_pos="center", width="100%", height=600, background_color="#404A59") attr1, value1 = geo1.cast(data) geo1.add("", attr1, value1, type="heatmap", visual_range=[0, 1000], visual_text_color="#FFF", symbol_size=15, is_visualmap=True, is_piecewise=False, visual_split_number=10)
geo1.render("files/无名之辈-观众位置热点图.html") # 2 位置图
geo2 = Geo("《无名之辈》观众位置分布", "数据来源：猫眼，Fly采集", title_color="#FFF", title_pos="center", width="100%", height=600,
background_color="#404A59") attr2, value2 = geo1.cast(data)
geo2.add("", attr2, value2, visual_range=[0, 1000], visual_text_color="#FFF", symbol_size=15,
is_visualmap=True, is_piecewise=False, visual_split_number=10)
geo2.render("files/无名之辈-观众位置图.html") # 3、top20 柱状图
data_top20 = data[:20]
bar = Bar("《无名之辈》观众来源排行 TOP20", "数据来源：猫眼，Fly采集", title_pos="center", width="100%", height=600)
attr, value = bar.cast(data_top20)
bar.add('', attr, value, is_visualmap=True, visual_range=[0, 3500], visual_text_color="#FFF", is_more_utils=True, is_label_show=True)
bar.render("files/无名之辈-观众来源top20.html") print("图表生成完成")
3.2、制作观众人数TOP20的柱形图,(pyecharts-bar)：
3.3、制作评论词云,(jieba、wordcloud)：
生成词云核心代码：
def createWordCloud(self):
"""生成评论词云"""
comments = self.readAllComments() # # 使用 jieba 分词
commens_split = jieba.cut(str(comments), cut_all=False)
words = ''.join(commens_split) # 给词库添加停止词
stopwords = STOPWORDS.copy()
stopwords.add("电影")
stopwords.add("一部")
stopwords.add("无名之辈")
stopwords.add("一部")
stopwords.add("一个")
stopwords.add("有点")
stopwords.add("觉得") # 加载背景图片
bg_image = plt.imread("files/2048_bg.png") # 初始化 WordCloud
wc = WordCloud(width=1200, height=600, background_color='#FFF', mask=bg_image, font_path='C:/Windows/Fonts/STFANGSO.ttf', stopwords=stopwords, max_font_size=400, random_state=50) # 生成，显示图片
wc.generate_from_text(words)
plt.imshow(wc)
plt.axis('off')
plt.show()
四、修改pyecharts源码
4.1、样本数据的城市简称与数据集完整城市名匹配不上：
使用位置热点图时候，由于采集数据城市是一些简称，与pyecharts的已存在数据的城市名对不上， 所以对源码进行一些修改，方便匹配一些简称。
黔南 => 黔南布依族苗族自治州
模块自带的全国主要市县经纬度在：[python安装路径]\Lib\site-packages\pyecharts\datasets\city_coordinates.json
由于默认情况下，一旦城市名不能完全匹配就会报异常，程序会停止，所以对源码修改如下（报错方法为 Geo.add()）,其中添加注析为个人修改部分：
def get_coordinate(self, name, region="中国", raise_exception=False):
"""
Return coordinate for the city name. :param name: City name or any custom name string.
:param raise_exception: Whether to raise exception if not exist.
:return: A list like [longitude, latitude] or None
"""
if name in self._coordinates:
return self._coordinates[name] coordinate = get_coordinate(name, region=region) # [ 20181204 添加
# print(name, coordinate)
if coordinate is None:
# 如果字典key匹配不上，尝试进行模糊查询
search_res = search_coordinates_by_region_and_keyword(region, name)
# print("###",search_res)
if search_res:
coordinate = sorted(search_res.values())[0]
# 20181204 添加 ] if coordinate is None and raise_exception:
raise ValueError("No coordinate is specified for {}".format(name)) return coordinate
相应的需要对 __add()方法进行如下修改：
五、附录-源码
*说明：源码为本人所写，数据来源为猫眼，全部内容仅供学习，拒绝其他用途！转发请注明出处！
5.1 采集源码
# -*- coding:utf-8 -*- import requests
from datetime import datetime, timedelta
import os
import time
import sys class MaoyanFilmReviewSpider:
"""猫眼影评爬虫""" def __init__(self, url, end_time, filename):
# 头部
self.headers = {
'User-Agent': 'Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit/604.1.38 (KHTML, like Gecko) Version/11.0 Mobile/15A372 Safari/604.1'
} # 目标URL
self.target_url = url # 数据获取时间段，start_time:截止日期，end_time:上映时间
now = datetime.now() # 获取当天的 零点
self.start_time = now + timedelta(hours=-now.hour, minutes=-now.minute, seconds=-now.second)
self.start_time = self.start_time.replace(microsecond=0)
self.end_time = datetime.strptime(end_time, "%Y-%m-%d %H:%M:%S") # 打开写入文件, 创建目录
self.save_path = "files/"
if not os.path.exists(self.save_path):
os.makedirs(self.save_path)
self.save_file = open(self.save_path + filename, "a", encoding="utf-8") def download(self, url):
"""下载html内容""" print("正在下载URL: "+url)
# 下载html内容
response = requests.get(url, headers=self.headers) # 转成json格式数据
if response.status_code == 200:
return response.json()
else:
# print(html.status_code)
print('下载数据为空！')
return "" def parse(self, content):
"""分析数据""" comments = []
try:
for item in content['cmts']:
comment = {
'nickName': item['nickName'], # 昵称
'cityName': item['cityName'], # 城市
'content': item['content'], # 评论内容
'score': item['score'], # 评分
'startTime': item['startTime'], # 时间
}
comments.append(comment) except Exception as e:
print(e) finally:
return comments def save(self, data):
"""写入文件""" print("保存数据，写入文件中...")
self.save_file.write(data) def start(self):
"""启动控制方法""" print("爬虫开始...\r\n") start_time = self.start_time
end_time = self.end_time num = 1
while start_time > end_time:
print("执行次数:", num)
# 1、下载html
content = self.download(self.target_url + str(start_time)) # 2、分析获取关键数据
comments = ''
if content != "":
comments = self.parse(content) if len(comments) <= 0:
print("本次数据量为：0，退出爬取！\r\n")
break # 3、写入文件
res = ''
for cmt in comments:
res += "%s###%s###%s###%s###%s\n" % (cmt['nickName'], cmt['cityName'], cmt['content'], cmt['score'], cmt['startTime'])
self.save(res) print("本次数据量：%s\r\n" % len(comments)) # 获取最后一条数据的时间 ，然后减去一秒
start_time = datetime.strptime(comments[len(comments) - 1]['startTime'], "%Y-%m-%d %H:%M:%S") + timedelta(seconds=-1)
# start_time = datetime.strptime(start_time, "%Y-%m-%d %H:%M:%S") # 休眠3s
num += 1
time.sleep(3) self.save_file.close()
print("爬虫结束...") if __name__ == "__main__":
# 确保输入参数
if len(sys.argv) != 4:
print("请输入相关参数：[moveid]、[上映日期]和[保存文件名]，如：xxx.py 42962 2018-11-09 text.txt")
exit() # 猫眼电影ID
mid = sys.argv[1] # "1208282" # "42964"
# 电影上映日期
end_time = sys.argv[2] # "2018-11-16" # "2018-11-09"
# 每次爬取条数
offset = 15
# 保存文件名
filename = sys.argv[3] spider = MaoyanFilmReviewSpider(url="http://m.maoyan.com/mmdb/comments/movie/%s.json?v=yes&offset=%d&startTime=" % (mid, offset), end_time="%s 00:00:00" % end_time, filename=filename)
# spider.start() spider.start()
# t1 = "2018-11-09 23:56:23"
# t2 = "2018-11-25"
#
# res = datetime.strptime(t1, "%Y-%m-%d %H:%M:%S") + timedelta(days=-1)
# print(type(res))
MaoyanFilmReviewSpider.py
5.2 分析制图源码
# -*- coding:utf-8 -*-
from pyecharts import Geo, Bar, Bar3D
import jieba
from wordcloud import STOPWORDS, WordCloud
import matplotlib.pyplot as plt class ACoolFishAnalysis:
"""无名之辈 --- 数据分析"""
def __init__(self):
pass def readCityNum(self):
"""读取观众城市分布数量"""
d = {} with open("files/myCmts2.txt", "r", encoding="utf-8") as f:
row = f.readline() while row != "":
arr = row.split('###') # 确保每条记录长度为 5
while len(arr) < 5:
row += f.readline()
arr = row.split('###') # 记录每个城市的人数
if arr[1] in d:
d[arr[1]] += 1
else:
d[arr[1]] = 1 # 首次加入字典，为 1 row = f.readline() # print(len(comments))
# print(d) # 字典 转 元组数组
res = []
for ks in d.keys():
if ks == "":
continue
tmp = (ks, d[ks])
res.append(tmp) # 按地点人数降序
res = sorted(res, key=lambda x: (x[1]),reverse=True)
return res def readAllComments(self):
"""读取所有评论"""
comments = [] # 打开文件读取数据
with open("files/myCmts2.txt", "r", encoding="utf-8") as f:
row = f.readline() while row != "":
arr = row.split('###') # 每天记录长度为 5
while len(arr) < 5:
row += f.readline()
arr = row.split('###') if len(arr) == 5:
comments.append(arr[2]) # if len(comments) > 20:
# break
row = f.readline() return comments def createCharts(self):
"""生成图表""" # 读取数据,格式：[{"北京", 10}, {"上海",10}]
data = self.readCityNum() # 1 热点图
geo1 = Geo("《无名之辈》观众位置分布热点图", "数据来源：猫眼，Fly采集", title_color="#FFF", title_pos="center", width="100%", height=600, background_color="#404A59") attr1, value1 = geo1.cast(data) geo1.add("", attr1, value1, type="heatmap", visual_range=[0, 1000], visual_text_color="#FFF", symbol_size=15, is_visualmap=True, is_piecewise=False, visual_split_number=10)
geo1.render("files/无名之辈-观众位置热点图.html") # 2 位置图
geo2 = Geo("《无名之辈》观众位置分布", "数据来源：猫眼，Fly采集", title_color="#FFF", title_pos="center", width="100%", height=600,
background_color="#404A59") attr2, value2 = geo1.cast(data)
geo2.add("", attr2, value2, visual_range=[0, 1000], visual_text_color="#FFF", symbol_size=15,
is_visualmap=True, is_piecewise=False, visual_split_number=10)
geo2.render("files/无名之辈-观众位置图.html") # 3、top20 柱状图
data_top20 = data[:20]
bar = Bar("《无名之辈》观众来源排行 TOP20", "数据来源：猫眼，Fly采集", title_pos="center", width="100%", height=600)
attr, value = bar.cast(data_top20)
bar.add('', attr, value, is_visualmap=True, visual_range=[0, 3500], visual_text_color="#FFF", is_more_utils=True, is_label_show=True)
bar.render("files/无名之辈-观众来源top20.html") print("图表生成完成") def createWordCloud(self):
"""生成评论词云"""
comments = self.readAllComments() # # 使用 jieba 分词
commens_split = jieba.cut(str(comments), cut_all=False)
words = ''.join(commens_split) # 给词库添加停止词
stopwords = STOPWORDS.copy()
stopwords.add("电影")
stopwords.add("一部")
stopwords.add("无名之辈")
stopwords.add("一部")
stopwords.add("一个")
stopwords.add("有点")
stopwords.add("觉得") # 加载背景图片
bg_image = plt.imread("files/2048_bg.png") # 初始化 WordCloud
wc = WordCloud(width=1200, height=600, background_color='#FFF', mask=bg_image, font_path='C:/Windows/Fonts/STFANGSO.ttf', stopwords=stopwords, max_font_size=400, random_state=50) # 生成，显示图片
wc.generate_from_text(words)
plt.imshow(wc)
plt.axis('off')
plt.show() if __name__ == "__main__":
demo = ACoolFishAnalysis()
demo.createWordCloud()
[Python] 通过采集两万条数据，对《无名之辈》影评分析的更多相关文章
- [Python] 通过采集23万条数据，对《哪吒》影评分析
一.说明 数据来源:猫眼: 运行环境:Win10/Python3.7 和 Win7/Python3.5: 分析工具:jieba.WorldCloud.pyecharts和matplotlib: 程序基 ...
- EDG夺冠！用Python分析22.3万条数据：粉丝都疯了!
一.EDG夺冠信息 11月6日,在英雄联盟总决赛中,EDG战队以3:2战胜韩国队,获得2021年英雄联盟全球总决赛冠军,这个比赛在全网各大平台也是备受瞩目: 1.微博热搜第一名,截止2021-11-1 ...
- （转）Python网络爬虫实战：世纪佳缘爬取近6万条数据
又是一年双十一了,不知道从什么时候开始,双十一从“光棍节”变成了“双十一购物狂欢节”,最后一个属于单身狗的节日也成功被攻陷,成为了情侣们送礼物秀恩爱的节日. 翻着安静到死寂的聊天列表,我忽然惊醒,不行 ...
- QTreeView处理大量数据（使用1000万条数据，每次都只是部分刷新）
如何使QTreeView快速显示1000万条数据,并且内存占用量少呢?这个问题困扰我很久,在网上找了好多相关资料,都没有找到合理的解决方案,今天在这里把我的解决方案提供给朋友们,供大家相互学习. 我开 ...
- 极限挑战—C#+ODP 100万条数据导入Oracle数据库仅用不到1秒
链接地址:http://www.cnblogs.com/armyfai/p/4646213.html 要:在这里我们将看到的是C#中利用ODP实现在Oracle数据库中瞬间导入百万级数据,这对快速批量 ...
- Qt中提高sqlite的读写速度（使用事务一次性写入100万条数据）
SQLite数据库本质上来讲就是一个磁盘上的文件,所以一切的数据库操作其实都会转化为对文件的操作,而频繁的文件操作将会是一个很好时的过程,会极大地影响数据库存取的速度.例如:向数据库中插入100万条数 ...
- 使用hibernate在5秒内插入11万条数据，你觉得可能吗？
需求是这样的,需要查询某几个表的数据,然后插入到另外一个表. 一看到需求,很多人都会用hibernate去把这些数据都查询出来,然后放到list中, 然后再用for循环之类的进行遍历,一条一条的取出数 ...
- JavaScript如何一次性展示几万条数据
有一位同事跟大家说他在网上看到一道面试题:“如果后台传给前端几万条数据,前端怎么渲染到页面上?”,如何回答? 于是办公室沸腾了, 同事们讨论开了, 你一言我一语说出自己的方案. 有的说直接循环遍历生成 ...
- Mvc+Dapper+存储过程分页10万条数据
10万条数据采用存储过程分页实现(Mvc+Dapper+存储过程) 有时候大数据量进行查询操作的时候,查询速度很大强度上可以影响用户体验,因此自己简单写了一个demo,简单总结记录一下: 技术:Mvc ...
随机推荐
- spring 事务隔离级别导致的bug
事情是这样的,ios进货单有一个数量加一手,减一手的功能,每加减一次就会异步调用后台的接口,后台判断sku如果不存在就插入,存在就更新. 问题描述: 当ios发了多次请求后, 在第二次请求的时候, ...
- Number() 与 parseInt()解析
在 Python 中,将字符串转为整型变量的函数是 int() ,直接使用 int("123")就可以得到 123的输出结果,这样可以比较快速的得到我们想要的结果,在 js 中将 ...
- Codeforces Round #565 (Div. 3)
传送门 A. Divide it! •题意 给定一个数n, 每次可以进行下列一种操作 1.如果n可以被2整除,用n/2代替n 2.如果n可以被3整除,用2n/3代替n 3.如果n可以被5整除,用4n/ ...
- win10下nodejs的安装及配置
这里主要引用两篇文章,写的非常详细,也能解决你可能出现的问题 nodejs安装及配置 如何删除之前nodejs设置的 npm config set prefix .....
- 【iOS】this class is not key value coding-compliant for the key ...
一般此问题 都是由 interface build 与代码中 IBOutlet 的连接所引起的. 可能是在代码中对 IBOutlet 的名称进行了修改,导致 interface build 中的连接实 ...
- 运行sh文件
记下在Ubuntu下安装*.sh和*.bin的简单方法. *.sh文件安装方法: 运行终端到文件目录下 1.在终端输入:sudo sh *.sh直接运行 2.在终端输入:sudo chmod +x * ...
- DHCP服务器的搭建及抓包分析DHCP的实现
原文:http://blog.51cto.com/liwenhui/105129 1.环境搭建: DC&DHCP SERVER IP:192.168.1.254 ( 这是一台D ...
- dubbo文档笔记
配置覆盖关系 以 timeout 为例,显示了配置的查找顺序,其它 retries, loadbalance, actives 等类似: 方法级优先,接口级次之,全局配置再次之. 如果级别一样,则消费 ...
- JDK1.8源码分析01之学习建议（可以延伸其他源码学习）
序言:目前有个计划就是准备看一下源码,来提升自己的技术实力.同时现在好多面试官都喜欢问源码,问你是否读过JDK源码等等? 针对如何阅读源码,也请教了我的老师.下面就先来看看老师的回答,也许会有帮助呢. ...
- RGW 学习 前言
对于CEPH的学习已经有一段的时间了,最近的一段时间都是集中在RGW网关这一方面,所以准备将学习的过程以及源代码的分析,将以随笔的形式记录下来. 每天更新一章.