Py学习  »  Python

Python 爬取了猫眼 47858 万条评论,告诉你《飞驰人生》值不值得看?!

CSDN • 5 年前 • 707 次点击  


坦白说,看前几部电影的时候,我一直在想“到底放不放阿信的歌啊?什么时候放啊?”,那看《飞驰人生》的时候,直到影片结束片尾曲《一半人生》响起的时候,我才记起来,哦,之前我是为了这首歌才看的这部电影。



截止大年初四晚上24点,猫眼实时数据显示《飞驰人生》综合票房排名第三,票房占比16.1%。但是仅仅依靠数字怎么能直接看出一部电影的优劣呢?不如们来看看观众们的评论,看看从中能得出什么有趣的点。



数据爬取



其实我一开始是想用豆瓣网的评论的,但是我翻了翻吧,发现“最热评论”只能看到500条,“最新评论”只能显示100条,拿600条数据能分析出个啥?



百度了一下,看大家都是用猫眼评论,于是就……爬猫眼!网页版的猫眼只能显示有限的评论,切换到APP版本才能看到所有评论。



找network里面的网页也不难,随便拿一条评论搜索一下就可以找到👇


Crtl+F



关键是找到不同网页之间的变化规律(要不是我在这上面栽了跟头,初三就能写完这篇文章了……😢)



有些网址,表面看上去,区别就是在于offset(偏移量),但是实际上更改这个数值到1005的时候就爬不到东西了(可能是由于网页内部的设置吧),就是说这么下去我们只能得到1000条评论。


那是哪1000条评论呢?我们看到网址中有个关键词“ts=1549640420581”,其实就是当前时间的意思(时间戳),转化一下就是:



所以1000条就是从这个时间点,往前偏移15条后,最新的1000条评论。


通过百度各位大神的爬虫过程,我发现终极解决方法就是更改ts的值!如果说偏移量15的意思是从这个查询的时间往前偏移15条再取得15条评论数据(limit=15),那么我们每次更改ts值不就可以了。


第一个ts值是程序开始运行的时间,第二个值就从已经获取的评论数据中拿到最早的那个数据,以此不断往前翻滚……


我爬取了2月8日24点之前的所有评论信息,按App显示此时至少有80000+条数据,但是我爬下来总共只有4w+条…数据缺失还是比较严重的。



数据格式如下(包括用户id、用户昵称、用户猫眼等级、性别、时间、评分、评论内容、点赞数和评论数):



这些都是在json里面,格式非常清晰明了。




数据清洗



拿到数据除了做词云用了Python(代码在最后),其他的内容Excel分分钟解决,这里尤其感谢发明“数据透视表”的兄弟。



数据分析



1.观众信息



男女比例各占一半,男的对赛车这类刺激性东西感兴趣可以理解,这女观众都是为了啥?为了黄景瑜小哥哥的脸?还是像我一样冲着阿信来的?这里信息太少,我只做少量胡思乱猜。


用户等级又是类似于正态分布的形状,巧的嘞……其中0分和1分的用户(可以认定为新注册用户)仅占9.78%,可以看出评分的人中水军是很少的,基本都是猫眼老用户。

再看看这4天用户评价数量的变化:



基本可得这部电影热度呈现缓慢下降的趋势(但是由于数据的不完整性,不能绝对说明)。

那用户都喜欢在什么时间评论呢?对比看四天的评论hour数据:



如果大家习惯看完电影马上评价的话,那么从评论趋势来看,从中午12点之后评论数逐渐增加,推测是由于早上10点左右那场电影的结束。随后评论数不断增加,在晚饭前的5、6点和睡觉前的23点左右达到小高峰。


嗯,非常符合大家“醒了看电影,看完吃饭,吃了再看,看了再睡‘的“节假日生活作息”。



2.评分情况



按照我爬取的数据我们看到超过一半(52.37%)的观众给这部电影打了满分10分,极少量用户评分在6分以下(仅占7.58%)。根据我爬取的数据,计算所得平均分是8.725,和实时显示的分数8.8相差不大。


除了从宏观角度看评分,我们来瞧瞧评论者性别和评论时间与最终评分有什么不能说的秘密?



性别的不同并没有造成评分很大的区别,男观众和女观众的评分平均分仅仅相差0.35分,“未知性别”人群的评分在两者之间,基本等于男性评分8.53和女性评分8.88的的平均值(8.71)。嗯,我很有理由怀疑“未知人群”中男女比例也各占一半!


从评分时间和评分的关系来看,低分一般出现在0点到7点之间,我猜吧,大概是在这种夜深人静的时候,大家的情绪容易有大起大落,白天看完电影时的兴奋已经退去,留下的只有深深的思考,或许还带点批判性,吧。



3.评论内容


先看看点赞数最高的5条评论



我们发现前5条评论评分均为10分:其中第一条,emmm,与电影无关,暂时跳过……其他几条都是赞美韩寒、沈腾和黄景瑜的。

那通过词云具体看一下评论内容:



从词云图中可以看出:


出现频率最高的是“好看”“不错”“喜欢”,说明观众对《飞驰人生》的整体评价是很不错的。

韩寒”“沈腾”或是该片最大赢家,评论中对他们的名字提到多次;“黄景瑜”“尹正”作为相对名气较小的演员,在此片中的表现也不逊其他人:尹正饰演的宇强说得了中二台词、跳得了性感钢管舞,能给张弛带来当头一棒的警醒,也是一直在他身后的精神支柱;黄景瑜饰演的林臻东人设完美,简直是所有女孩的理想型:多金、高颜值、优秀而又谦逊,爱了爱了。

从剧情来看,“励志”“搞笑”“热血”“梦想 ”这些词语也说明这是一部超燃的电影,里面有一句台词“不是非得赢,我只是不想输”,够中二吧?但也够热血。

词云里面另一个高频词是”结局“(”结尾“),影片的最后张弛因为不能及时刹车冲向了落日,彩蛋里面却出现了他与儿子同学的飞行员爸爸比赛的场景。随着儿子的投币,场景一转,浮现了”Heroes never die“,“英雄不朽”,张弛永远地活在了他儿子的心中。另:巴音布鲁克草原在新疆,哪儿有海?




不成熟的代码



1.爬取评论


1from bs4 import BeautifulSoup
2import requests
3import warnings
4import re
5from datetime import datetime
6import json
7import random
8import time
9import datetime
10
11
12
13headers = {
14    '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',
15    'Connection':'keep-alive'}
16cookies={'cookie':'_lxsdk_cuid=168c325f322c8-0156d0257eb33d-10326653-13c680-168c325f323c8; uuid_n_v=v1; iuuid=30E9F9E02A1911E9947B6716B6E91453A6754AA9248F40F39FBA1FD0A2AD9B42; webp=true; ci=191%2C%E5%8F%B0%E5%B7%9E; _lx_utm=utm_source%3DBaidu%26utm_medium%3Dorganic; __mta=49658649.1549462270794.1549465778684.1549548206227.3; _lxsdk=30E9F9E02A1911E9947B6716B6E91453A6754AA9248F40F39FBA1FD0A2AD9B42; _lxsdk_s=168c898414e-035-f0e-e6%7C%7C463'}
17
18#url设置offset偏移量为0
19url = 'http://m.maoyan.com/review/v2/comments.json?movieId=1218091&userId=-1&offset=0&limit=15&ts={}&type=3'
20
21comment=[]
22nick=[]
23score=[]
24comment_time=[]
25gender=[]
26userlevel=[]
27userid=[]
28upcount=[]
29replycount=[]
30ji=1
31
32
33url_time=url_time=int(time.time())*1000#获取当前时间(单位是毫秒,所以要✖️1000)
34
35for i in range(2000):
36    value=15*i
37    url_range=url.format(url_time)
38     res=requests.get(url_range,headers=headers,cookies=cookies,timeout=10)
39    res.encoding='utf-8'
40    print('正在爬取第'+str(ji)+'页')
41    content=json.loads(res.text,encoding='utf-8')
42    list_=content['data']['comments']
43    count=0
44    for item in list_:
45        comment.append(item['content'])
46        nick.append(item['nick'])
47        score.append(item['score'])    
48        comment_time.append(datetime.datetime.fromtimestamp(int(item['time']/1000)))
49        gender.append(item['gender'])
50        userlevel.append(item['userLevel'])
51        userid.append(item['userId'])
52        upcount.append(item['upCount'])
53        replycount.append(item['replyCount'])
54        count=count+1
55        if count==15:
56            url_time=item['time']
57    ji+=1
58    time.sleep(random.random())
59print('爬取完成')
60print(url_time)
61result={'用户id':userid,'用户昵称':nick,'用户等级':userlevel,'性别':gender,'时间':comment_time,'评分':score,'评论内容':comment,'点赞':upcount,'评论':replycount}
62results=pd.DataFrame(result)
63results.info()
64results.to_excel('猫眼_飞驰人生.xlsx')


2.画词云


1import pandas as pd
2import numpy as np
3import re
4import jieba
5import wordcloud
6import matplotlib.pyplot as plt
7from collections import Counter
8from PIL import Image
9 jieba.load_userdict("new.txt"#新定义词典
10df=pd.read_excel('猫眼_飞驰人生.xlsx')
11
12comments=str()
13for comment in df['评论内容']:
14    comments=comments+comment
15
16stopwords = {}.fromkeys([ line.rstrip() for line in open('stopwords.txt') ])
17segs = jieba.cut(comments,cut_all=False)
18
19cloud_text =[]
20for seg in segs:
21    if seg not in stopwords:
22            cloud_text.append(seg)      
23
24fre= Counter(cloud_text)
25
26mask = np.array(Image.open('d.jpeg')) # 定义词频背景
27wc = wordcloud.WordCloud(
28    font_path='Hiragino Sans GB.ttc'# 设置字体格式
29    mask=mask, # 设置背景图
30    max_words=150# 最多显示词数
31     max_font_size=150 # 字体最大值
32)
33
34wc.generate_from_frequencies(fre) # 从字典生成词云
35image_colors = wordcloud.ImageColorGenerator(mask) # 从背景图建立颜色方案
36wc.recolor(color_func=image_colors) # 将词云颜色设置为背景图方案
37plt.imshow(wc) # 显示词云
38plt.axis('off'# 关闭坐标轴
39plt.show() # 显示图像
40wc.to_file('comment_pic.png')



写在最后



现在是大年初留,没看电影的大家抓住假期的尾巴去瞧一瞧,电影很精彩,片尾曲《一半人生》也很好听哦!



下面是我看完电影当晚做的影评手账📖



还有还有,祝大家新年快乐,🐷事情顺利!



作者:Yura,计算机科学与技术专业大四在读,因在澳洲交换学习接触了大数据,甚感兴趣。遂开公众号“Yura不说数据说”督促自己学习数据分析!欢迎大家关注我的个人公众号,一起(监督我)学习。

声明:本文为作者投稿,版权归其个人所有。

 热 文 推 荐 

☞ 意大利不禁止华为;13 款 5G 手机时间表公布;亚马逊 CEO 遭威胁 | 极客头条

☞ 程序员们的“钢铁审美”:花花公子封面女郎如何成为互联网第一夫人?

☞ 如果我回腾讯上班

☞ 断舍离:我彻底戒掉苹果、微软、Google、Facebook 和亚马逊之后?

☞  微信说不!有何不可?

☞ 移动互联网“大开放”之死

☞ @程序员,沟通这项核心技能你掌握了多少?

☞ 年薪 10 万的程序员,如何积累人生的第一个 100 万?

print_r('点个好看吧!');
var_dump('点个好看吧!');
NSLog(@"点个好看吧!");
System.out.println("点个好看吧!");
console.log("点个好看吧!");
print("点个好看吧!");
printf("点个好看吧!\n");
cout "点个好看吧!");
fmt.Println("点个好看吧!");
Response.Write("点个好看吧!");
alert("点个好看吧!" )
echo "点个好看吧!"

喜欢就点击“好看”吧!

今天看啥 - 高品质阅读平台
本文地址:http://www.jintiankansha.me/t/fFuxOEV0OP
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/28696
 
707 次点击