Python爬取哆啦A梦-伴我同行2豆瓣影评并生成词云图-巨人网络通讯

主页 > 知识库 > Python爬取哆啦A梦-伴我同行2豆瓣影评并生成词云图

Python爬取哆啦A梦-伴我同行2豆瓣影评并生成词云图

一、前言

通过这篇文章，你将会收货：

① 豆瓣电影数据的爬取；

② 手把手教你学会词云图的绘制；

二、豆瓣爬虫步骤

当然，豆瓣上面有很多其他的数据，值得我们爬取后做分析。但是本文我们仅仅爬取评论信息。

待爬取网址：

https://movie.douban.com/subject/34913671/comments?status=P

由于只有一个字段，我们直接使用re正则表达式，解决该问题。

那些爬虫小白看过来，这又是一个你们练手的好机会。

下面直接为大家讲述爬虫步骤：

# 1. 导入相关库，用什么库，都写在这里
import requests
import chardet
import re

# 2. 构造请求头，这是一个反扒措施，初期学会总结，哪些网站都用了哪些，总结多了，用起来就得心应手。
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',
    #在爬虫里面如果出现了Referer最好也粘上去，因为有时候服务器会根据Referer来判断请求时由浏览器还是爬虫发出的
    'Referer':'https://www.douban.com/'
}

# 3. 这个循环，类似于翻页操作
for i in range(0,1001,20):
    url = f"https://movie.douban.com/subject/34913671/comments?start={i}limit=20status=Psort=new_score"
    # 4. 使用requests库发起请求
    response = requests.get(url,headers=headers)#发起请求得到响应
    # 5. 有时候返回结果可能会乱码，这里记得调用encoding属性，修改编码
    response.encoding = "utf-8"
    # 6. 获取返回的结果，调用的是text属性。一定要区分text和content属性的区别
    text = response.text#返回一个经过解码的字符串
    # 7. 解析数据，这里直接使用正则解析
    comments_list = [i for i in re.findall('span class="short">(.*?)/span>',text,re.S)]
    # 8. 数据存储，针对列表中的每一条数据，我们直接使用open()函数，写入到txt文档
    for comment in comments_list:
         with open(r"哆啦A梦：伴我同行2.txt","a",encoding = "utf-8") as f :  
                    f.write(comment + "\n")

三、最终效果如下

四、词云图制作流程

很多同学不会制作词云图，借此机会，我这里写一套详细的流程，大家照猫画虎就行。

绘制词云图的详细步骤如下：

① 导入相关库；
② 读取文本文件，使用jieba库动态修改词典；
③ 使用jieba库中的lcut()方法进行分词；
④ 读取停用词，添加额外停用词，并去除停用词；
⑤ 词频统计；
⑥ 绘制词云图

① 导入相关库

在这里，你需要什么库，就导入什么库。

import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt
from imageio import imread

import warnings
warnings.filterwarnings("ignore")

② 读取文本文件，使用jieba库动态修改词典

这里with open()读取文本文件，我就不解释了。这里解释一下动态修改词典。

sentence = "湖北广水第三条街，有一条狗"

list(jieba.cut(sentence))

结果如下：

针对上述切分结果，如果我们想把“湖北广水”和“第三条街”都当成一个完整词，而不切分开，怎么办呢？此时，就需要借助add_word()方法，动态修改词典。

sentence = "湖北广水第三条街，有一条狗"

jieba.add_word("湖北广水")
jieba.add_word("有一条狗")

list(jieba.cut(sentence))

结果如下：

总结：

jieba.add_word()方法，只能一个个动态添加某个词语。
假如我们需要动态添加多个词语的时候，就需要使用jieba.load_userdict()方法。也就是说：将所有的自定义词语，放到一个文本中，然后使用该方法，一次性动态修改词典集。

有了上述基础，我们直接读取文本后，动态修改词典。

with open(r"哆啦A梦：伴我同行2.txt",encoding="utf-8") as f:
    txt = f.read()
txt = txt.split()

jieba.add_word("哆啦A梦")
jieba.add_word("大雄")

③ 使用jieba库中的lcut()方法进行分词

短短的一行代码，很简单。

data_cut = [jieba.lcut(x) for x in txt]

④ 读取停用词，添加额外停用词，并去除停用词

读取停用词，采用split()函数切分后，会得到一个停用词列表。接着，采用+号将额外停用词，添加到列表中即可。

# 读取停用词
with open(r"stoplist.txt",encoding="utf-8") as f:
    stop = f.read()
stop = stop.split()
# 额外添加停用词，这里我们只添加了一个空格
stop = [" "] + stop
# 去除停用词
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 词频统计

这里注意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 绘制词云图

# 1、读取背景图片
back_picture = imread(r"aixin.jpg")

# 2、设置词云参数
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、绘制词云图
plt.figure(figsize=(16,8))
plt.imshow(wc2)
plt.axis("off")
plt.show()
wc.to_file("ciyun.png")