Python爬取哆啦A夢-伴我同行2豆瓣影評并生成詞云圖
一、
通過這篇文章，你將會收貨：
① 豆瓣電影數(shù)據(jù)的爬??；
② 手把手教你學(xué)會詞云圖的繪制；
二、豆瓣爬蟲步驟
當(dāng)然，豆瓣上面有很多其他的數(shù)據(jù)，值得我們爬取后做分析。但是本文我們僅僅爬取評論信息。
待爬取網(wǎng)址：
https://movie.douban.com/subject/34913671/comments?status=P
由于只有一個字段，我們直接使用re正則表達式，解決該問題。
那些爬蟲小白看過來，這又是一個你們練手的好機會。
下面直接為大家講述爬蟲步驟：
# 1. 導(dǎo)入相關(guān)庫，用什么庫，都寫在這里
import requests
import chardet
import re
# 2. 構(gòu)造請求頭，這是一個反扒措施，初期學(xué)會總結(jié)，哪些網(wǎng)站都用了哪些，總結(jié)多了，用起來就得心應(yīng)手。
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36',
#在爬蟲里面如果出現(xiàn)了Referer最好也粘上去，因為有時候服務(wù)器會根據(jù)Referer來判斷請求時由瀏覽器還是爬蟲發(fā)出的
'Referer':'https://www.douban.com/'
}
# 3. 這個循環(huán)，類似于翻頁操作
for i in range(0,1001,20):
url = f"https://movie.douban.com/subject/34913671/comments?start={i}&limit=20&status=P&sort=new_score"
# 4. 使用requests庫發(fā)起請求
response = requests.get(url,headers=headers)#發(fā)起請求得到響應(yīng)
# 5. 有時候返回結(jié)果可能會亂碼，這里記得調(diào)用encoding屬性，修改編碼
response.encoding = "utf-8"
# 6. 獲取返回的結(jié)果，調(diào)用的是text屬性。一定要區(qū)分text和content屬性的區(qū)別
text = response.text#返回一個經(jīng)過解碼的字符串
# 7. 解析數(shù)據(jù)，這里直接使用正則解析
comments_list = [i for i in re.findall('<span class="short">(.*?)</span>',text,re.S)]
# 8. 數(shù)據(jù)存儲，針對列表中的每一條數(shù)據(jù)，我們直接使用open()函數(shù)，寫入到txt文檔
for comment in comments_list:
with open(r"哆啦A夢：伴我同行2.txt","a",encoding = "utf-8") as f :
f.write(comment + "\n")
三、最終效果如下
四、詞云圖制作流程
很多同學(xué)不會制作詞云圖，借此機會，我這里寫一套詳細的流程，大家照貓畫虎就行。
繪制詞云圖的詳細步驟如下：
- ① 導(dǎo)入相關(guān)庫；
- ② 讀取文本文件，使用jieba庫動態(tài)修改詞典；
- ③ 使用jieba庫中的lcut()方法進行分詞；
- ④ 讀取停用詞，添加額外停用詞，并去除停用詞；
- ⑤ 詞頻統(tǒng)計；
- ⑥ 繪制詞云圖
① 導(dǎo)入相關(guān)庫
在這里，你需要什么庫，就導(dǎo)入什么庫。
import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt
from imageio import imread
import warnings
warnings.filterwarnings("ignore")
② 讀取文本文件，使用jieba庫動態(tài)修改詞典
這里with open()讀取文本文件，我就不解釋了。這里解釋一下動態(tài)修改詞典。
sentence = "湖北廣水第三條街，有一條狗" list(jieba.cut(sentence))
結(jié)果如下：
針對上述切分結(jié)果，如果我們想把“湖北廣水”和“第三條街”都當(dāng)成一個完整詞，而不切分開，怎么辦呢？此時，就需要借助add_word()方法，動態(tài)修改詞典。
sentence = "湖北廣水第三條街，有一條狗"
jieba.add_word("湖北廣水")
jieba.add_word("有一條狗")
list(jieba.cut(sentence))
結(jié)果如下：
總結(jié)：
- jieba.add_word()方法，只能一個個動態(tài)添加某個詞語。
- 假如我們需要動態(tài)添加多個詞語的時候，就需要使用jieba.load_userdict()方法。也就是說：將所有的自定義詞語，放到一個文本中，然后使用該方法，一次性動態(tài)修改詞典集。
有了上述基礎(chǔ)，我們直接讀取文本后，動態(tài)修改詞典。
with open(r"哆啦A夢：伴我同行2.txt",encoding="utf-8") as f:
txt = f.read()
txt = txt.split()
jieba.add_word("哆啦A夢")
jieba.add_word("大雄")
③ 使用jieba庫中的lcut()方法進行分詞
短短的一行代碼，很簡單。
data_cut = [jieba.lcut(x) for x in txt]
④ 讀取停用詞，添加額外停用詞，并去除停用詞
讀取停用詞，采用split()函數(shù)切分后，會得到一個停用詞列表。接著，采用+號將額外停用詞，添加到列表中即可。
# 讀取停用詞 with open(r"stoplist.txt",encoding="utf-8") as f: stop = f.read() stop = stop.split() # 額外添加停用詞，這里我們只添加了一個空格 stop = [" "] + stop # 去除停用詞 s_data_cut = pd.Series(data_cut) all_words_after = s_data_cut.apply(lambda x:[i for i in x if i not in stop])
⑤ 詞頻統(tǒng)計
這里注意series中value_counts()的使用。
all_words = [] for i in all_words_after: all_words.extend(i) word_count = pd.Series(all_words).value_counts()
⑥ 繪制詞云圖
# 1、讀取背景圖片
back_picture = imread(r"aixin.jpg")
# 2、設(shè)置詞云參數(shù)
wc = WordCloud(font_path="simhei.ttf",
background_color="white",
max_words=2000,
mask=back_picture,
max_font_size=200,
random_state=42
)
wc2 = wc.fit_words(word_count)
# 3、繪制詞云圖
plt.figure(figsize=(16,8))
plt.imshow(wc2)
plt.axis("off")
plt.show()
wc.to_file("ciyun.png")
五、效果圖
從詞云圖大致可以看出：這又是一部催淚電影，這是一部情懷電影，陪伴我們長大的大雄都結(jié)婚了？那我們呢？其實我們小時候，就盼望著大雄和靜香能夠是好盆友，就在這部電影，他們結(jié)婚了。這部電影應(yīng)該怎么上演呢？大家可以去電影院一探究竟。
到此這篇關(guān)于Python爬取哆啦A夢-伴我同行2豆瓣影評并生成詞云圖的文章就介紹到這了,更多相關(guān)Python爬取影評并生成詞云圖內(nèi)容請搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！
版權(quán)聲明：本站文章來源標注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信