一.分析

首先简单介绍一下Scrapy的基本流程：

  1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
  2. 引擎把URL封装成一个请求(Request)传给下载器
  3. 下载器把资源下载下来，并封装成应答包(Response)
  4. 爬虫解析Response
  5. 解析出实体（Item）,则交给实体管道进行进一步的处理
  6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

在网上找到了接口:http://m.maoyan.com/mmdb/comments/movie/248172.json?_v_=yes&offset=0&startTime=2019-02-05%2020:28:22，可以把offset的值设定为0，通过改变startTime的值来获取更
多的评论信息(把每页评论数据中最后一次评论时间作为新的startTime并构造url重新请求)（startTime=2019-02-05%2020:28:22这里的%20表示空格）

二.主要代码

items.py

import scrapy

class MaoyanItem(scrapy.Item):

    # define the fields for your item here like:

    # name = scrapy.Field()

    city = scrapy.Field()  # 城市

    content = scrapy.Field()  # 评论

    user_id = scrapy.Field()  # 用户id

    nick_name = scrapy.Field()  # 昵称

    score = scrapy.Field()  # 评分

    time = scrapy.Field()  # 评论时间

    user_level = scrapy.Field()  # 用户等级

　comment.py

import scrapy

import random

from scrapy.http import Request

import datetime

import json

from maoyan.items import MaoyanItem

class CommentSpider(scrapy.Spider):

    name = 'comment'

    allowed_domains = ['maoyan.com']

    uapools = [

        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',

        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',

        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',

        'Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50',

        'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)',

        'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; GTB7.0)',

        'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',

        'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1)',

        'Mozilla/5.0 (Windows; U; Windows NT 6.1; ) AppleWebKit/534.12 (KHTML, like Gecko) Maxthon/3.0 Safari/534.12',

        'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E)',

        'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0)',

        'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.3 (KHTML, like Gecko) Chrome/6.0.472.33 Safari/534.3 SE 2.X MetaSr 1.0',

        'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E)',

        'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.41 Safari/535.1 QQBrowser/6.9.11079.201',

        'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E) QQBrowser/6.9.11079.201',

        'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)',

        'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36',

        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0'

    ]

    thisua = random.choice(uapools)

    header = {'User-Agent': thisua}

    current_time = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')

    current_time = '2019-04-24 18:50:22'

    end_time = '2019-04-24 00:05:00'  # 电影上映时间

    url = 'http://m.maoyan.com/mmdb/comments/movie/248172.json?_v_=yes&offset=0&startTime=' +current_time.replace(' ','%20')

    def start_requests(self):

        current_t = str(self.current_time)

        if current_t > self.end_time:

            try:

                yield Request(self.url, headers=self.header, callback=self.parse)

            except Exception as error:

                print('请求1出错-----' + str(error))

        else:

            print('全部有关信息已经搜索完毕')

    def parse(self, response):

        item = MaoyanItem()

        data = response.body.decode('utf-8', 'ignore')

        json_data = json.loads(data)['cmts']

        count = 0

        for item1 in json_data:

            if 'cityName' in item1 and 'nickName' in item1 and 'userId' in item1 and 'content' in item1 and 'score' in item1 and 'startTime' in item1 and 'userLevel' in item1:

                try:

                    city = item1['cityName']

                    comment = item1['content']

                    user_id = item1['userId']

                    nick_name = item1['nickName']

                    score = item1['score']

                    time = item1['startTime']

                    user_level = item1['userLevel']

                    item['city'] = city

                    item['content'] = comment

                    item['user_id'] = user_id

                    item['nick_name'] = nick_name

                    item['score'] = score

                    item['time'] = time

                    item['user_level'] = user_level

                    yield item

                    count += 1

                    if count >= 15:

                        temp_time = item['time']

                        current_t = datetime.datetime.strptime(temp_time, '%Y-%m-%d %H:%M:%S') + datetime.timedelta(

                            seconds=-1)

                        current_t = str(current_t)

                        if current_t > self.end_time:

                            url1 = 'http://m.maoyan.com/mmdb/comments/movie/248172.json?_v_=yes&offset=0&startTime=' + current_t.replace(

                                ' ', '%20')

                            yield Request(url1, headers=self.header, callback=self.parse)

                        else:

                            print('全部有关信息已经搜索完毕')

                except Exception as error:

                    print('提取信息出错1-----' + str(error))

            else:

                print('信息不全,已滤除')

　　pipelines文件

import pandas as pd

class MaoyanPipeline(object):

    def process_item(self, item, spider):

        dict_info = {'city': item['city'], 'content': item['content'], 'user_id': item['user_id'],

                     'nick_name': item['nick_name'],

                     'score': item['score'], 'time': item['time'], 'user_level': item['user_level']}

        try:

            data = pd.DataFrame(dict_info, index=[0])  # 为data创建一个表格形式 ,注意加index = [0]

            data.to_csv('G:\info.csv', header=False, index=True, mode='a',

                        encoding='utf_8_sig')  # 模式:追加,encoding = 'utf-8-sig'

        except Exception as error:

            print('写入文件出错-------->>>' + str(error))

        else:

            print(dict_info['content'] + '---------->>>已经写入文件')

　　最后爬完的数据12M左右，65000条数据左右

三.数据可视化

1.主要代码

用到的模块：pandas数据处理,matplotlib绘图，jieba分词，wordcloud词云，地图相关模块（echarts-countries-pypkg,echarts-china-provinces-pypkg, echarts-china-cities-pypkg）

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import pandas as pd

from collections import Counter

from pyecharts import Geo, Bar, Scatter

import jieba

import matplotlib.pyplot as plt

from wordcloud import WordCloud, STOPWORDS

import time

#观众地域图中部分注释

#attr:标签名称(地点)

#value:数值

#visual_range：可视化范围

#symbol_size:散点的大小

#visual_text_color:标签颜色

#is_visualmap:是否映射(数量与颜色深浅是否挂钩)

#maptype:地图类型

#读取csv文件(除了词云,其它图表用的源数据)

def read_csv(filename, titles):

    comments = pd.read_csv(filename, names = titles, low_memory = False)

    return comments

#词云用的源数据(比较小)

def read_csv1(filename1, titles):

    comments = pd.read_csv(filename1, names = titles, low_memory = False)

    return comments

#全国观众地域分布

def draw_map(comments):

    attr = comments['city_name'].fillna('zero_token') #以'zero_token'代替缺失数据

    data = Counter(attr).most_common(300) #Counter统计各个城市出现的次数,返回前300个出现频率较高的城市

    # print(data)

    data.remove(data[data.index([(i,x) for i,x in data if i == 'zero_token'][0])]) #检索城市'zero_token'并移除('zero_token', 578)

    geo =Geo('《复联4》全国观众地域分布', '数据来源:Mr.W', title_color = '#fff', title_pos = 'center', width = 1000, height = 600, background_color = '#404a59')

    attr, value = geo.cast(data) #data形式[('合肥',229),('大连',112)]

    geo.add('', attr, value, visual_range = [0, 4500], maptype = 'china', visual_text_color = '#fff', symbol_size = 10, is_visualmap = True)

    geo.render('G:\\影评\\观众地域分布-地理坐标图.html')

    print('全国观众地域分布已完成')

#观众地域排行榜单

def draw_bar(comments):

    data_top20 = Counter(comments['city_name']).most_common(20) #前二十名城市

    bar = Bar('《复联4》观众地域排行榜单', '数据来源:Mr.W', title_pos = 'center', width = 1200, height = 600)

    attr, value = bar.cast(data_top20)

    bar.add('', attr, value, is_visualmap = True, visual_range = [0, 4500], visual_text_color = '#fff', is_more_utils = True, is_label_show = True)

    bar.render('G:\\影评\\观众地域排行榜单-柱状图.html')

    print('观众地域排行榜单已完成')

#观众评论数量与日期的关系

#必须统一时间格式,不然时间排序还是乱的

def draw_data_bar(comments):

    time1 = comments['time']

    time_data = []

    for t in time1:

        if pd.isnull(t) == False and 'time' not in t: #如果元素不为空

            date1 = t.replace('/', '-')

            date2 = date1.split(' ')[0]

            current_time_tuple = time.strptime(date2, '%Y-%m-%d') #把时间字符串转化为时间类型

            date = time.strftime('%Y-%m-%d', current_time_tuple) #把时间类型数据转化为字符串类型

            time_data.append(date)

    data = Counter(time_data).most_common() #data形式[('2019/2/10', 44094), ('2019/2/9', 43680)]

    data = sorted(data, key = lambda data : data[0]) #data1变量相当于('2019/2/10', 44094)各个元组 itemgetter(0)

    bar =Bar('《复联4》观众评论数量与日期的关系', '数据来源:Mr.W', title_pos = 'center', width = 1200, height = 600)

    attr, value = bar.cast(data) #['2019/2/10', '2019/2/11', '2019/2/12'][44094, 38238, 32805]

    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('G:\\影评\\观众评论日期-柱状图.html')

    print('观众评论数量与日期的关系已完成')

#观众评论数量与时间的关系

#这里data中每个元组的第一个元素要转化为整数型,不然排序还是乱的

def draw_time_bar(comments):

    time = comments['time']

    time_data = []

    real_data = []

    for t in time:

        if pd.isnull(t) == False and ':' in t:

            time = t.split(' ')[1]

            hour = time.split(':')[0]

            time_data.append(hour)

    data = Counter(time_data).most_common()

    for item in data:

        temp1 = list(item)

        temp2 = int(temp1[0])

        temp3 = (temp2,temp1[1])

        real_data.append(temp3)

    data = sorted(real_data, key = lambda x : x[0])

    bar = Bar('《复联4》观众评论数量与时间的关系', '数据来源:Mr.W', title_pos = 'center', width = 1200, height = 600)

    attr, value = bar.cast(data)

    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('G:\\影评\\观众评论时间-柱状图.html')

    print('观众评论数量与时间的关系已完成')

#词云,用一部分数据生成,不然数据量有些大,会报错MemoryError(64bit的python版本不会)

def draw_word_cloud(comments):

    data = comments['comment']

    comment_data = []

    print('由于数据量比较大,分词这里有些慢,请耐心等待')

    for item in data:

        if pd.isnull(item) == False:

            comment_data.append(item)

    comment_after_split = jieba.cut(str(comment_data), cut_all = False)

    words = ' '.join(comment_after_split)

    stopwords = STOPWORDS.copy()

    stopwords.update({'电影', '非常', '这个', '那个', '因为', '没有', '所以', '如果', '演员', '这么', '那么', '最后', '就是', '不过', '这个', '一个', '感觉', '这部', '虽然', '不是', '真的', '觉得', '还是', '但是'})

    wc = WordCloud(width = 800, height = 600, background_color = '#000000', font_path = 'simfang', scale = 5, stopwords = stopwords, max_font_size = 200)

    wc.generate_from_text(words)

    plt.imshow(wc)

    plt.axis('off')

    plt.savefig('G:\\影评\\WordCloud.png')

    plt.show()

#观众评分排行榜单

def draw_score_bar(comments):

    score_list = []

    data_score = Counter(comments['score']).most_common()

    for item in data_score:

        if item[0] != 'score':

            score_list.append(item)

    data = sorted(score_list, key = lambda x : x[0])

    bar = Bar('《复联4》观众评分排行榜单', '数据来源:Mr.W', title_pos = 'center', width = 1200, height = 600)

    attr, value = bar.cast(data)

    bar.add('', attr, value, is_visualmap = True, visual_range = [0, 4500], visual_text_color = '#fff', is_more_utils = True, is_label_show = True)

    bar.render('G:\\影评\\观众评分排行榜单-柱状图.html')

    print('观众评分排行榜单已完成')

#观众用户等级排行榜单

def draw_user_level_bar(comments):

    level_list = []

    data_level = Counter(comments['user_level']).most_common()

    for item in data_level:

        if item[0] != 'user_level':

            level_list.append(item)

    data = sorted(level_list, key = lambda x : x[0])

    bar = Bar('《复联4》观众用户等级排行榜单', '数据来源:Mr.W', title_pos = 'center', width = 1200, height = 600)

    attr, value = bar.cast(data)

    # is_more_utils = True 提供更多的实用工具按钮

    bar.add('', attr, value, is_visualmap = True, visual_range = [0, 4500], visual_text_color = '#fff', is_more_utils = True, is_label_show = True)

    bar.render('G:\\影评\\观众用户等级排行榜单-柱状图.html')

    print('观众用户等级排行榜单已完成')

if __name__ == '__main__':

    filename = 'G:\\info.csv'

    filename2 = 'G:\\info.csv'

    titles = ['city_name','comment','user_id','nick_name','score','time','user_level']

    comments = read_csv(filename, titles)

    comments2 = read_csv1(filename2, titles)

    draw_map(comments)

    draw_bar(comments)

    draw_data_bar(comments)

    draw_time_bar(comments)

    draw_word_cloud(comments2)

    draw_score_bar(comments)

    draw_user_level_bar(comments)

　

　2.效果与分析

01.观众地域分布-地理坐标图

由全国地域热力图可见，观众主要分布在中部，南部，东部以及东北部，各省会城市的观众尤其多(红色代表观众最多)，这与实际的经济、文化、消费水平基本相符.（ps：复联4的票价有点贵）

02.《复联4》观众地域排行榜单

北上广深等一线城市，观众粉丝多，消费水平可以。观影数量非常多。

03.《复联4》观众评分排行榜单

可以看到评分满分的用户几乎超过总人数的70%，可见观众看完电影之后很满足，也说明了电影的可看性很高

04.《复联4》观众评论数量与日期的关系

24号上映到现在已经三天，其中观影人数最多的是25号，可能大家觉得首映有点小贵吧，哈哈。

05.《复联4》观众评论数量与时间的关系

从图中可以看出，评论的数量主要集中在16-23点，因为这部电影时长为2小时，所以把评论时间往前移动2小时基本就是看电影时间。可以看出大家都是中午吃完饭(13点左右)和晚上吃完饭(19点左右)后再去看电影的，而且晚上看电影的人更多

06.《复联4》观众用户等级排行榜单

可见用户等级为0，5，6的用户基本没有，而且随着等级的提升，人数急剧变少。新用户可能是以年轻人为主，对科幻电影感兴趣，因而评论数量较多，而老用户主要偏向于现实剧情类的电影，评论数量较少

07.《复联4》词云图

在词云图中可以看到，“好看，可以，完美，精彩，情怀”等字眼，看来影片还是挺好看的。接着就是“钢铁侠，美队，灭霸”看来这几个人在影评中有重要的故事线。

Scrapy爬取猫眼《复仇者联盟4终局之战》影评的更多相关文章

  1. scrapy爬取猫眼电影排行榜

    做爬虫的人,一定离不开的一个框架就是scrapy框架,写小项目的时候可以用requests模块就能得到结果,但是当爬取的数据量大的时候,就一定要用到框架. 下面先练练手,用scrapy写一个爬取猫眼电 ...

  2. scrapy爬取海量数据并保存在MongoDB和MySQL数据库中

    前言 一般我们都会将数据爬取下来保存在临时文件或者控制台直接输出,但对于超大规模数据的快速读写,高并发场景的访问,用数据库管理无疑是不二之选.首先简单描述一下MySQL和MongoDB的区别:MySQ ...

  3. scrapy-redis分布式爬取猫眼电影

    能够利用redis缓存数据库的优点去重来避免数据的大面积冗余 1.首先就是要创建猫眼爬虫项目 2.进入项目内部创建一个爬虫文件 创建完文件之后就是要爬取的内容,我这边以爬取猫眼电影的title和lin ...

  4. Scrapy爬取美女图片 (原创)

    有半个月没有更新了,最近确实有点忙.先是华为的比赛,接着实验室又有项目,然后又学习了一些新的知识,所以没有更新文章.为了表达我的歉意,我给大家来一波福利... 今天咱们说的是爬虫框架.之前我使用pyt ...

  5. 【转载】教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

    原文:教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神 本博文将带领你从入门到精通爬虫框架Scrapy,最终具备爬取任何网页的数据的能力.本文以校花网为例进行爬取,校花网:http:/ ...

  6. 爬虫系列（1）-----python爬取猫眼电影top100榜

    对于Python初学者来说,爬虫技能是应该是最好入门,也是最能够有让自己有成就感的,今天在整理代码时,整理了一下之前自己学习爬虫的一些代码,今天先上一个简单的例子,手把手教你入门Python爬虫,爬取 ...

  7. scrapy爬取西刺网站ip

    # scrapy爬取西刺网站ip # -*- coding: utf-8 -*- import scrapy from xici.items import XiciItem class Xicispi ...

  8. scrapy爬取豆瓣电影top250

    # -*- coding: utf-8 -*- # scrapy爬取豆瓣电影top250 import scrapy from douban.items import DoubanItem class ...

  9. scrapy爬取极客学院全部课程

    # -*- coding: utf-8 -*- # scrapy爬取极客学院全部课程 import scrapy from pyquery import PyQuery as pq from jike ...

随机推荐

  1. Next.js 分页组件

    import React from 'react'; import './NxPagination.less'; export default class NxPagination extends R ...

  2. web前端基础学习路线

    1.HTML和CSS的基础知识,完成网页的初步设计 2.JavaScript基础知识和DOM.BOM的学习 3.前端基础框架:CSS框架Bootstrap.JavaScript框架jquery的熟悉使 ...

  3. Oracle “CONNECT BY” (层级递归查询)

    Oracle “CONNECT BY”是层次查询子句,一般用于树状或者层次结果集的查询.其语法是: ? 1 2 [ START WITH condition ] CONNECT BY [ NOCYCL ...

  4. JAVA 中BIO,NIO,AIO的理解 （转）

    转自: http://qindongliang.iteye.com/blog/2018539 另外类似可参考资料 :http://www.360doc.com/content/13/1029/20/9 ...

  5. Python for循环之图像练习

    矩形 # 控制行 for i in range(1,5): # 控制列 for j in range(1,8): # 用end在末尾传入空格串,这样print函数就不会自动换行了 print('*', ...

  6. [Vue warn]: Duplicate keys detected: '1'. This may cause an update error

    今天遇到这个问题,遇到这个问题多数因为:key值的问题 第一种情况(key重复) <div class="name-list" v-for="(item,index ...

  7. 用Itextsharp 组件导出PDF 的文档的方法

    Itextsharp 是一个很强大,开源的,轻量级的 PDF 生成组件,官方网上好像没有相应的API 说明文档,以下是在工作中使用的心得与体会,并附上源码,功能包含了pdf 的创建,table 的创建 ...

  8. vs 为什么使用#include "stdafx.h"

    原因:1.减少编译次数 2.减少不必要的处理 流程图: 这个跟宏定义#ifndef xx #define xx  coding here #endif //xx 区别在于: 宏定义是防止头文件重复包含 ...

  9. 常用LINUX命令汇总

    一.基本命令bash Bash(GNU Bourne-Again Shell)是许多Linux平台的内定Shellpwd 查看当前所在目录ls 查看目录内所有文件cd 进入目录cd .. 返回上一层p ...

  10. 《深入理解java虚拟机》读书笔记——java内存区域和内存溢出异常

    几种内存溢出异常: 堆溢出 原因:创建过多对象,并且GC Roots到对象之间有可达路径. 分两种情况: Memory Leak:无用的对象没有消除引用,导致无用对象堆积.例如<Effictiv ...