本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
作者： 程序员野客
PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取
[python免费学习资料以及群交流解答点击即可加入](()
《南方车站的聚会》由刁亦男执导，主要演员包括：胡歌、桂纶镁、廖凡、万茜等，该片于 2019 年 5 月 18 在戛纳电影节首映，2019 年 12 月 6 日在中国正式上映。故事灵感来自真实新闻事件，主要讲述盗窃团伙头目周泽农（胡歌饰），在重金悬赏下走上逃亡之路，艰难寻求自我救赎的故事。
影片上映了一周多，票房接近 2 亿，作为一部文艺片，这个表现应该算是属于中上水平了。下面打开豆瓣看一下评分情况，如下图所示：
从图中我们可以看到目前有 13 万多人评分，达到了 7.5 分，打 4 星和 3 星的居多，并非网上一些人所说的口碑两极分化（如果两级分化，应该是打 5 星 和 1 星的居多吧？！）。
页面向下拉到影评位置，如下图所示：
我们可以看到有 5 万多条影评，目前豆瓣对查看影评数据的限制是：未登录最多可以查看 200 条数据，登录用户最多可以查看 500 条数据，我们要做的是通过 Python 爬取豆瓣 500 条影评数据，然后进行数据分析。
首先获取影片列表 URL，具体操作为：点击上图中 全部 52846 条，进入影评列表首页，如下图所示：
但我们发现一个问题，该 URL 参数中并没有行号等信息（实现翻页需要），这个问题我们只需点击后页按钮即可看到，结果如图所示：
现在我们可以从 URL 中看到这些信息了，因 start 参数为变量，我们将上面 URL 修改为：https://movie.douban.com/subject/27668250/comments?start=%d&limit=20&sort=new_score&status=P 作为爬取开始 URL。
接着我们看一下如何实现登陆，首先打开登录页，如下图所示：
我们先在手机号/邮箱和密码输入框处随意输入（不要输入正确的用户名和密码），再按 F12 键打开开发者工具，最后点击登录豆瓣按钮，结果如图所示：
我们点击上面图中所示 basic 项，点击后结果如图所示：
此时可以看到 Request URL（登录所需 URL） 和 Form Data 项，这两项是我们登录时需要的，当然我们还需 User-Agent，点击上面图中所示的 Request Headers 项即可看到，如图所示：
所需要的东西都找好了，接下来就是具体实现了，豆瓣登录和影评数据爬取的具体实现如下所示：
import requests
import time
import random
from lxml import etree
import csv
新建 csv 文件
csvfile = open('南方车站的聚会.csv','w',encoding='utf-8',newline='')
writer = csv.writer(csvfile)
表头
writer.writerow(['时间','星级','评论内容'])
def spider():
url = 'https://accounts.douban.com/j/mobile/login/basic'
headers = {"User-Agent": 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)'}
comment_url = 'https://movie.douban.com/subject/27668250/comments?start=%d&limit=20&sort=new_score&status=P'
data = {
'ck': '',
'name': '自己的用户名',
'password': '自己的密码',
'remember': 'false',
'ticket': ''
}
session = requests.session()
session.post(url=url, headers=headers, data=data)
总共 500 条，每页 20 条
for i in range(0, 500, 20):
获取 HTML
data = session.get(comment_url % i, headers=headers)
print('第', i, '页', '状态码：', data.status_code)
暂停 0-1 秒
time.sleep(random.random())
解析 HTML
selector = etree.HTML(data.text)
获取当前页所有评论
comments = selector.xpath('//div[@class="comment"]')
遍历所有评论
for comment in comments:
获取星级
star = comment.xpath('.//h3/span[2]/span[2]/@class')[0][7]
获取时间
t = comment.xpath('.//h3/span[2]/span[3]/text()')
获取评论内容
content = comment.xpath('.//p/span/text()')[0].strip()
排除时间为空的项
if len(t) != 0:
t = t[0].strip()
writer.writerow([t, star, content])
接下来我们通过词云直观的来展示下整体评论情况，具体实现如下所示：
import csv
import jieba
from wordcloud import WordCloud
import numpy as np
from PIL import Image
jieba 分词处理
def jieba_():
csv_list = csv.reader(open('南方车站的聚会.csv', 'r', encoding='utf-8'))
print('csv_list',csv_list)
comments = ''
for i,line in enumerate(csv_list):
if i != 0:
comment = line[2]
comments += comment
print("comment-->",comments)
jieba 分词
words = jieba.cut(comments)
new_words = []
要排除的词
remove_words = ['以及', '在于', '一些', '一场', '只有',
'不过', '东西', '场景', '所有', '这么',
'但是', '全片', '之前', '一部', '一个',
'作为', '虽然', '一切', '怎么', '表现',
'人物', '没有', '不是', '一种', '个人'
'如果', '之后', '出来', '开始', '就是',
'电影', '还是', '不是', '武汉', '镜头']
for word in words:
if word not in remove_words:
new_words.append(word)
global word_cloud
用逗号分隔词语
word_cloud = '，'.join(new_words)
生成词云
def world_cloud():
背景图
cloud_mask = np.array(Image.open('bg.jpg'))
wc = WordCloud(
背景图分割颜色
background_color='white',
背景图样
mask=cloud_mask,