Python采集猫眼两万条数据 对《无名之辈》影评进行分析

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/1208282.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 1208282 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() # 19185

# 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() # 19185

# 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()

来源：https://www.cnblogs.com/reader/p/10070629.html