如何基于Python爬取隐秘的角落评论

“一起去爬山吧？”

这句台词火爆了整个朋友圈，没错，就是来自最近热门的《隐秘的角落》，豆瓣评分8.9分，好评不断。

感觉还是蛮不错的。同时，为了想更进一步了解一下小伙伴观剧的情况，永恒君抓取了爱奇艺平台评论数据并进行了分析。下面来做个分享，给大伙参考参考。

1、爬取评论数据

因为该剧是在爱奇艺平 * 播的，自然数据源从这里取比较合适。永恒君爬取了《隐秘的角落》12集的从开播日6月16日-6月26日的评论数据。

使用 Chrome 查看源代码模式，在播放页面往下面滑动，有一个 get_comments 的请求，经过调试分析，这个接口就是获取评论数据的接口，后面连接上一系列的参数即可获取评论的数据。

其中关键的就是last_id这个参数，是用来控制评论分页的，需要通过上一个页面最后一条评论的id来进行获取。

爬虫部分代码

def get_comment_html(movieId, movieName, lastId):#将获取评论的json源码，保存到txt文件中
 url = "http://sns-comment.iqiyi.com/v3/comment/get_comments.action?"
 params = {
   "types":"time",
   "business_type":"17",
   "agent_type":"118",
   "agent_version":"9.11.5",
   "authcookie":"authcookie"
 }
 for item in params:
   url = url + item + "=" + params[item] + "&"
 url = url + "content_id=" + movieId+ "&last_id=" + lastId
 #url 为拼接好的评论地址  

headers = {
   "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36",
   "Accept": "application/json, text/javascript",
   "Referer": "https://www.iqiyi.com/v_19rxtiliso.html?vfm=2008_aldbd&fv=p_02_01",

}
 response = requests.get(url, headers=headers)  
 filename = movieId + movieName+".txt"
 if response.status_code == 200:    
   with open(filename,"a",encoding='utf-8') as f:
     f.write(response.text+"\n")
   #将获取的评论json源码保存到txt文件，一次写入一行，表示获取的这一页的评论      
 else:
   print("request error")
 print("爬取第{}页评论".format(file_lines(filename)))
 time.sleep(0.5)  
 last_id = parseData(response.text) #解析并获取下一个id  
 if last_id != "End":
   get_comment_html(movieId, movieName, parseData(response.text))
 else:
   print("已到结尾")
   #continue#结束整个程序
 return None

最终将12集爬取下来的包含评论数据的json源码保存到txt文件当中，解析提取评论的时间、用户名、性别、评论内容等信息，经过去重、去空白等数据清理工作，最终获得28010条评论信息。

2、分析展示数据

在海量的数据中，我们可以分析出我们想看到的结果。为了更好的数据处理和可视化展示，这里永恒君用了Pandas和Pyecharts 这两个库。

1）评论用户性别方面

女生占了大部分，占比60.89％，比男性用户要多不少。

2）每一集的评论数量

接下来，我们再来看一下，每一期的评论数量，看是否能够得出一些不一样的数据。

from pyecharts.charts import Bar ##导入需要使用的图表
from pyecharts import options as opts ##导入配置项

comment_num3 = df["集数"].value_counts().sort_index()

x_line3 = comment_num3.index.to_list()
y_line3 = comment_num3.values.tolist()

bar1=(
  Bar(init_opts=opts.InitOpts(width='800px', height='350px')) ##定义为柱状图
  .add_xaxis(x_line3) ##X轴的值
  .add_yaxis('评论数',y_line3) ##y的值和y的一些数据配置项
  .set_global_opts(title_opts=opts.TitleOpts(title='《隐秘的角落》1-12集评论数量'))

)

bar1.render("bar3.html") ###输出html文件

除了第一集的评论数特别多之外，可以看到，上半段的评论数明显要比下半段的要多，是否意味着大家普遍觉得前期的要更好看一些？

3）开播十天之内的评论数量走势

接下来我们来看看从6月16日开播之后，网友们对该剧的评论数量走势情况。

from pyecharts.charts import Line ##导入需要使用的图表
from pyecharts import options as opts ##导入配置项

comment_num = df["留言时间"].str.split(' ').str[0].value_counts().sort_index()

x_line1 = [i.replace('2020-','') for i in comment_num.index.to_list()]
y_line1 = comment_num.values.tolist()

# 绘制面积图
line1 = Line(init_opts=opts.InitOpts(width='1200px', height='600px'))
line1.add_xaxis(x_line1)
line1.add_yaxis('', y_line1,
       markpoint_opts=opts.MarkPointOpts(data=[
         opts.MarkPointItem(type_='max', name='最大值'),
         opts.MarkPointItem(type_='min', name='最小值')
       ]))
line1.set_global_opts(title_opts=opts.TitleOpts('《隐秘的角落》开播10天内评论走势'),
          xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate='30')),
          #visualmap_opts=opts.VisualMapOpts(max_=12673)
          )
line1.set_series_opts(label_opts=opts.LabelOpts(is_show=True),
          linestyle_opts=opts.LineStyleOpts(width=2))
line1.render("Line.html")

可以看到，从6月16日开播后，评论数量一路走高在6月25日达到了一个阶段的高点。

4）一天之中大家都在什么时间段看这部剧？

通过统计16日-26日每日0-23时的评论数量，来看看大家一般都在什么时候看剧

from pyecharts.charts import Bar ##导入需要使用的图表
from pyecharts import options as opts ##导入配置项

comment_num2 = df["留言时间"].str.split(' ').str[1].str.split(":").str[0].value_counts().sort_index()

x_line2 = comment_num2.index.to_list()
y_line2 = comment_num2.values.tolist()

bar1=(
  Bar(init_opts=opts.InitOpts(width='800px', height='350px')) ##定义为柱状图
  .add_xaxis(x_line2) ##X轴的值
  .add_yaxis('评论数',y_line2) ##y的值和y的一些数据配置项
  .set_global_opts(title_opts=opts.TitleOpts(title='《隐秘的角落》0-23时评论数量'))

)

bar1.render("bar2.html") ###输出html文件

可以看到，晚上20点-23时为最集中看剧的时间段，其次中午12-14点也有一波小高峰，总体更多的人是下午看剧的人多。

这是否也是你看剧的时间段呢？

5）评论的字数情况

永恒君一般看剧基本都不写评论的或者也是简单几个字，但是在这里，我特地看了一下评论字数的分布，

def comment_word_group(strings): #评论字数分组函数
 if len(strings)<=10:
   length = 0
 elif len(strings) > 10 and len(strings)<=30:
   length = 1
 elif len(strings) >30 and len(strings) <=50:
   length = 2
 else:
   length = 3
 return length

df["留言数量组别"] = df["留言内容"].apply(lambda x:comment_word_group(x))#评论字数分组

lengthData = df.groupby(['留言数量组别'])["留言内容"].count()#评论字数分组统计

from pyecharts.charts import Bar ##导入需要使用的图表
from pyecharts import options as opts ##导入配置项

attr = ["10字以内","10~30字","30~50字","50字以上"] #X轴
v1 = lengthData.values.tolist() #Y轴

bar1=(
  Bar(init_opts=opts.InitOpts(width='800px', height='350px')) ##定义为柱状图
  .add_xaxis(attr) ##X轴的值
  .add_yaxis('评论数量',v1) ##y的值和y的一些数据配置项
  .set_global_opts(title_opts=opts.TitleOpts(title='《隐秘的角落》评论字数分布'))  
  )                                    
bar1.render("bar.html") ###输出html文件

绝大部分的评论字数都是在10个字以内，但也有约25％的评论字数在10-30个之内，还是让永恒君有点意外，是否说明该剧火爆也是有原因的，激起了不少伙伴的共鸣。

6）评论核心关键词

最后，永恒君将通过wordcloud库制作词云来看看，大家对该剧的整体评价，以及该剧的核心关键词。

#词云
from PIL import Image
from wordcloud import WordCloud,ImageColorGenerator,STOPWORDS
import jieba
import matplotlib.pyplot as plt
import numpy as np

contents = df["留言内容"].str.cat(sep=" ")
contents

sw = set(STOPWORDS)
sw.add("这个")
sw.add("什么")

cut_text2 = " ".join(jieba.lcut(contents))

background_image = np.array(Image.open("bg.png"))

wc = WordCloud(font_path=r'C:\Windows\Fonts\simhei.ttf',
       background_color='White',
       max_words=3000,
       width=1000,
       height=500,
       scale=1,
       stopwords=sw,#停用词
       mask = background_image
       )
#font_path：设置字体，max_words：出现的最多词数量，mask参数=图片背景，必须要写上，另外有mask参数再设定宽高是无效的
wc.generate(cut_text2)
wc.to_file("a2.jpg")

#将图绘制出来
plt.imshow(wc)
plt.axis("off")
plt.show()

可以看到，“朝阳”、“严良”、“张东升”、“普普”、“好看”、“喜欢”、“小孩”、“原著”等关键词都是大伙在热议的。

不得不说，近年来如此火热的、而且质量不错的国产剧确实不多了。永恒君看前几集的时候，突然又有大学时候看《越狱》的那个味道，看了一集就想看下一集，停不下来。

如果你现在还没有来得及看，建议抽个时间去看看吧~~~

来源：https://www.cnblogs.com/eternalpal/p/13210710.html