爬取豆瓣评论之——后来的我们

《后来的我们》上映了，或许大家有点小期待吧。毕竟，影片的主题曲《我们》，早就虐哭了不少人。电影能否跟歌曲一样深入人心？怀着这样的一种心情，下面就来看一下它的影评如何吧。

1.抓数据

通过试探知道：豆瓣影评设置权限，没有登陆的话，只能够看到前面的几十条短评，并且登录的时候需要输入验证码。所以考虑使用selenium来获取数据。
登录时需要的验证码，通过保存图片，然后手动输入
加群923414804免费获取数十套PDF资料，助力python学习

所以构造两个方法

# 登录

def login(url,username,password):

brower.get(url)

brower.find_element_by_css_selector('[class="nav-login"]').click()

name = brower.find_element_by_id('email')

name.clear()

name.send_keys(username)

pwd = brower.find_element_by_id('password')

pwd.clear()

pwd.send_keys(password)

pic_src = brower.find_element_by_id('captcha_image').get_attribute('src')

#调用获取验证码的方法

cap_value = get_yzm(pic_src)

yan_zheng_ma = brower.find_element_by_id('captcha_field')

yan_zheng_ma.clear()

yan_zheng_ma.send_keys(cap_value)

brower.find_element_by_css_selector('[class="btn-submit"]').click()

print('登陆成功')

# 获取验证码

def get_yzm(src):

print("正在保存验证码图片")

captchapicfile = "D:/pycharm/PycharmProjects/next_our/captcha.png"

urllib.request.urlretrieve(src, filename=captchapicfile)

print("请打开图片文件，查看验证码，输入单词......")

captcha_value = input()

return captcha_value

登陆成功之后，通过搜索框搜索《后来的我们》，进入详情页，随后进入短评列表

需要获取昵称,短评和赞同数

每一个步骤我们都构建一个方法

# 搜索电影

def seach(movie_name):

inp_query = brower.find_element_by_id('inp-query')

inp_query.clear()

inp_query.send_keys(movie_name)

submit = brower.find_element_by_css_selector('[type="submit"]')

submit.click()

sleep(1)

brower.find_element_by_xpath('//*[@id="root"]/div/div[2]/div[1]/div[1]/div[1]/div[1]/div/div[1]/a').click()

print("进入详情页")

# 进入短评列表

def into_comment():

brower.find_element_by_xpath('//*[@id="comments-section"]/div[1]/h2/span/a').click()

print("进入短评列表")

# 获取短评

def get_comment():

wait.until(lambda brower : brower.find_element_by_css_selector('[class="next"]'))

sleep(1)

for i in range(1,21):

comment = brower.find_element_by_xpath('//*[@id="comments"]/div[{}]/div[2]/p'.format(str(i))).text

comment_name = brower.find_element_by_xpath('//*[@id="comments"]/div[{}]/div[2]/h3/span[2]/a'.format(str(i))).text

votes = brower.find_element_by_xpath('//*[@id="comments"]/div[{}]/div[2]/h3/span[1]/span'.format(str(i))).text

#构建字典

data = {

'comment': comment,

'comment_name': comment_name,

'votes': int(votes)

}

comments.insert_one(data)

print('*'*100)

print(data)

print('成功存入数据库')

还有最重要的一步就是，需要进行翻页，然后重新获取短评信息

#翻页

def next_page():

next = brower.find_element_by_css_selector('[class="next"]')

try:

next.click()

except:

logging.info("全部完成了")

ps:由于技术较渣,所以直接跳到最后一页,发现只有24页,所以直接使用循环了<~_~>

#使用PhantomJS

brower = webdriver.PhantomJS(executable_path="D:/phantomjs-2.1.1-windows/bin/phantomjs.exe")

wait = ui.WebDriverWait(brower,10)

# 数据库

client = pymongo.MongoClient('localhost',27017)

next_our = client['next_our']

comments = next_our['comments']

URL = 'https://movie.douban.com/'

username = '你的豆瓣账号'

password = '你的密码'

movie = '后来的我们‎'

if __name__=="__main__":

seach(movie)

into_comment()

for page in range(24):

get_comment()

next_page()

2.数据处理

在获取到数据之后,制作成图表,让我们更加直观的看到大体情况

series =[

{

'name':'评论点赞数',

'data':[i for i in vote_list],

'type':'column'

}

]

charts.plot(series,show='inline',options=dict(title=dict(text='评论点赞数')))

从图中可以看出短评中最受欢迎的大概有2500票,并且大部分集中在前排,(这是后面没有多少人看,所以点赞少?)
咳咳。。。前排很重要呀

接下来把所有的评论制作成云图

text=open('comment_list.txt', 'r',encoding='utf-8')

mytext=text.read()

cut = jieba.cut(mytext,cut_all=True)

split_cut ='/'.join(cut)

wc = WordCloud(background_color = "white", #设置背景颜色

max_words = 2000, #设置最大显示的字数

margin=5,

font_path="C:\\Windows\\Fonts\\STFANGSO.ttf",#不加这一句显示口字形乱码

max_font_size = 80, #设置字体最大值

random_state = 40, #设置有多少种随机生成状态，即有多少种配色方案

)

mword =wc.generate(split_cut)

plt.imshow(mword)

plt.axis("off")

plt.show()

得到下面的云图:

从图中看到,大部分在评论周冬雨、感慨我们后来没有故事的
ps:数据是4/29晚所爬取的

接下来统计一下赞同数前十的评论

昵称	获赞数	短评
Magic	2475	台词矫情的令人发指！
华盛顿樱桃树	2230	最好的是演员，周冬雨完全开辟出自己的戏路。小井进步惊人，已长出美丽。最差的是编剧，没有一场完全连贯的戏，几乎都是攒的。
痴痴的钟灵	1784	希望奶茶好好演戏唱歌,矫情的青春片已经没有市场了。吃完瓜回来，劝眼善良,中国的电影市场要被你们搞的烂透了。在工作日首日票房近3亿，把自己当妇联了么,【把没有市场收回，有,眼在何愁没有100亿.
昵称过期作废	1785	毫无看点可言。剧情处处是硬伤！这是电影吗？这是PPT，刘小姐，还是回去唱歌吧。
末药煎肉塔	1601	现在还把北京设定为梦想之城的，大概受众也是瞄准了小镇青年吧（多次冲北京喊话真是挺尴尬的）。剧情拖太长，唯一的泪点还是田壮壮演的老爸，周冬雨老演这种角色不会腻吗？
xiaoning	1373	真的很讨厌卖情怀的电影，而且还有一个不是很有才华的歌手做导演，要不是主题曲我应该都不会想看。（留言说我收钱黑的，老子收了一分黑钱我多的钱都亏出去行了吧，就这尴尬的台词乱拼凑的故事是在看ppt吗还用收钱黑，我真是谢你们大爷了，你不用管我觉得谁有才华，反正这位文青女导演还真不是）
张无B	1508	刘若英对着镜头唱一遍后来我都觉得比这片子感动。
葡萄猪不爱睡觉	1238	从形式内容到档期营销，统统都是模仿当年的致青春，致青春票房年度第二，这部最终估计也不会差
糖炒荔枝	1146	在我眼里第二个无问西东，投机取巧，毫无才华，对不起
尼克Lui	995	垃圾做作的电影这么多年了还在不断的重复搞这种烂片大晚上被抓住票房造假哈哈哈哈哈哈垃圾怎么包装也是垃圾！

ps:以上评论均来自豆瓣影评

3.总结

或许是主题曲提前预热了市场,让观众的期望值变高了，《后来的我们》在豆瓣上的评分只有6.2分，并且现在又出现了退票事件。
单就电影来说，感觉还是可以的。或许是豆瓣的用户眼光有点高了。

爱情有一种结局，是后来的我们，只能从情侣变成爱了很久的朋友。
电影有句很扎心的文案，“再后来，我什么都有了，却独独没有了我们”。
希望我们好好珍惜。

转载于:https://www.cnblogs.com/paisenpython/p/10303826.html