导语

在前段时间看了杰昆菲尼克斯的小丑电影，心里很好奇大部分观众看完这部电影之后对此有什么评价，然后看了看豆瓣短评之后，觉得通过python把短评中出现最多的单词提取出来，做成一张词云，看看这部电影给观众们留下的关键词是什么。

抓取数据

首先刚开始的时候 ，是通过requests去模拟抓取数据，发现短评翻页翻到20页之后就需要登录豆瓣用户才有权限查看，所以打算通过使用selenium模拟浏览器动作自动化将页面中的数据爬取下来，然后存储到特定的txt文件，由于没打算做其他的分析，就不打算存放到数据库中。

关于selenium和chromedriver安装

关于流行的自动化测试框架selenium的工作原理，以及selenium和chromdriver对应的版本安装就不详细赘述，有兴趣的同学可以参考：

https://blog.csdn.net/weixin_43241295/article/details/83784692

分析豆瓣登录页面用户登录流程

从页面上看来，大概流程就是点击导航栏中的密码登录，然后输入用户名和密码，点击登录按钮，至于看网上一些豆瓣爬虫时会出现的验证图片，我没有遇到过，我直接登录就OK了，所以接下来就需要通过selenium模拟整个登录过程。

from selenium import webdriver

from selenium.webdriver.chrome.options import Options

import time

def crawldouban():

name = "你的用户名"

passw = "你的密码"

# 启动chrome

options = Options()

options.add_argument('--headless')

options.add_argument('--no-sandbox')

browser = webdriver.Chrome(executable_path="/usr/bin/chromedriver", options=options)

# 获取登录网址

browser.get("https://accounts.douban.com/passport/login")

time.sleep(3)

# 登录自动化操作流程

browser.find_element_by_class_name("account-tab-account").click()

form = browser.find_element_by_class_name("account-tabcon-start")

username = form.find_element_by_id("username")

password = form.find_element_by_id("password")

username.send_keys(name)

password.send_keys(passw)

browser.find_element_by_class_name("account-form-field-submit").click()

time.sleep(3)

获取用户评论

接下来就是，获取页面中的评论，然后将评论存储到指定的文本文件中，(我就不模拟查询电影然后，跳转到短评的整个过程了)，直接从拿到的短评页面地址出发，不断点击下一页然后不断重复提取评论，写入的操作。

browser.get("https://movie.douban.com/subject/27119724/comments?status=P")

comments = browser.find_elements_by_class_name("short")

WriteComment(comments)

while True:

link = browser.find_element_by_class_name("next")

path = link.get_attribute('href')

if not path:

break

# print(path)

link.click()

time.sleep(3)

comments = browser.find_elements_by_class_name("short")

WriteComment(comments)

browser.quit()

# 将评论写入到指定的文本文件

def WriteComment(comments):

with open("comments.txt", "a+") as f:

for comment in comments:

f.write(comment.text+" \n")

代码解析：抓取的代码没啥好讲的，就是找到classname是'short‘的元素，获取里面的文本内容写到指定文本文件即可，里面主要有个循环判断是否还有下一页，通过获取下一页的超链接，当获取不到时证明已经在最后一页了。

数据分词，生成词云图

大概讲讲思路吧，我这里的数据处理比较粗糙，没有结合pandas+numpy，我将爬取下来的数据，简单的将换行符切割然后组成新的数据，然后通过jieba分词，将新的数据进行分词，最后再读取本地的一个停顿词文件，获取一个停顿词列表。生成词云指定停顿词，以及字体文件，背景颜色等，再把词云图片保存到本地。

from wordcloud import WordCloud

from scipy.misc import imread

import jieba

# 处理从文本中读取的内容

def text_read(file_path):

filename = open(file_path, 'r', encoding='utf-8')

texts = filename.read()

texts_split = texts.split("\n")

filename.close()

return texts_split

def data_handle(picture_name):

# 读取从网站上爬取下来的数据

comments = text_read("comments.txt")

comments = "".join(comments)

# 分词, 读取停顿词

lcut = jieba.lcut(comments)

cut_text = "/".join(lcut)

stopwords = text_read("chineseStopWords.txt")

# 生成词云图

bmask = imread("backgrounds.jpg")

wordcloud = WordCloud(font_path='/usr/share/fonts/chinese/simhei.ttf', mask=bmask, background_color='white', max_font_size=250, width=1300, height=800, stopwords=stopwords)

wordcloud.generate(cut_text)

wordcloud.to_file(picture_name)

if __name__ == "__main__":

data_handle("joker6.jpg")

这是我自己扣的一张图片作为背景：

最终效果图：

总结

写爬虫到数据分析，大概有思路以及整理需要用到的工具大概花了两个晚上。整体来说，还是一些比较浅显易懂的东西，对于有关爬虫大规模并发采集 以及数据分析等内容还在学习，记录下自己学习过程还是蛮有趣的。