豆瓣影评

一、爬取豆瓣影评

基本思路：先获取每个电影的评论区链接，然后依次进入其评论区爬取评论。选取10部电影，每部200条评论。

用到的包为：BeautifulSoup，urllib

这里选取的链接为：豆瓣电影，打开后内容如下：

直接审查元素，找到每部电影的标签位置，如下图：

因此，找到此标签的代码为：

lists = bsobj.find('ul', {'class': 'lists'}).findAll('li', {'class': 'list-item'})

其中bsobj是该网页的bs对象。

接下来我们需要找到这部电影短评的链接，如下：

https://movie.douban.com/subject/26985127/comments?status=P

这是短评首页，翻页观察其变化：

https://movie.douban.com/subject/26985127/comments?start=20&limit=20&sort=new_score&status=P(第2页)

https://movie.douban.com/subject/26985127/comments?start=40&limit=20&sort=new_score&status=P(第3页)

唯一变化的是start后的数字，一页有20条评论，subject后的数字是电影的id号，只要获取电影的id号，就可构造它的短评网页的url。

评论区的位置：

获取评论区标签的代码为：

comments=reviewBSobj.findAll('p',{'class':'comment-item'})

由于之后要对评论进行朴素贝叶斯，所以要给评论打上标签 。这里方便起见，对评分三星以上的为积极，标记为0，二星以下为消极，标记为1。

评分位置如图：

allstar后的数字30表示三星，爬取代码如下：

star=comment.find('span',{'class':re.compile(r'^allstar(.*?)')})

这里用到了正则表达式。 另外，有的评论没有星级评分，打不了标签，因而直接丢弃。

if star is None:continue

if int(star['class'][0][7])>2:target=0

else:target=1

target是标签，取值0或1。

在保存之前，先对数据进行简单的清洗：去掉标点符号以及特殊符号，只保留汉字。

content=comment.p.get_text().strip()

pattern = re.compile(r'[\u4e00-\u9fa5]+')

filterdata = re.findall(pattern, content)

cleaned_comments = ''.join(filterdata)

content是评论的内容，pattern是正则表达式，cleaned_comments是清洗完的数据。

f = open('review.txt', 'w', encoding='utf-8')

数据保存在review.txt文件中。

1、代码解析

getbs4函数：返回bs对象

def getbs4(url):

'''

:param url:网址

:return: 返回BeautifulSoup对象

'''

try:

html=urlopen(url)

bsobj=BeautifulSoup(html,'html.parser')

html.close()

except (HTTPERROR,URLError):

return None

return bsobj

getFilmList函数：返回电影id列表

def getFilmList(url):

'''

:param url:网址

:return: 返回电影id的列表

'''

bsobj = getbs4(url)

if bsobj == None: return

lists = bsobj.find('ul', {'class': 'lists'}).findAll('li', {'class': 'list-item'})

return lists

getReview函数：爬取影评的主函数

def getReview(url,n):

'''

:param n:需要爬取的爬取页数

:return:爬取影评

'''

lists = getFilmList(url)

print('电影总数：'+str(len(lists)))

f = open('review.txt', 'w', encoding='utf-8')

for i in range(1):

print('开始爬取第%d电影，电影名为%s'%(i+1,lists[i]['data-title']))

reviewUrl='https://movie.douban.com/subject/'+lists[i]['id']+'/comments?status=P'

text=[]

for j in range(n):

reviewBSobj = getbs4(reviewUrl)

if reviewBSobj == None: return

comments=reviewBSobj.findAll('p',{'class':'comment-item'})

print('-----第%d页-----' % (j+1))

for comment in comments:

star=comment.find('span',{'class':re.compile(r'^allstar(.*?)')})

if star is None:continue

print(star)

if int(star['class'][0][7])>2:target=0

else:target=1

content=comment.p.get_text().strip()

pattern = re.compile(r'[\u4e00-\u9fa5]+')

filterdata = re.findall(pattern, content)

cleaned_comments = ''.join(filterdata)

text.APPend(str(target)+' '+cleaned_comments+'\n')

print('-------------')

reviewUrl='https://movie.douban.com/subject/'+lists[i]['id']+'/comments?start='+str(20*j+20)+'&limit=20&sort=new_score&status=P'

f.writelines(text)

f.close()

相关阅读

一年用一次的“春节+回家+催泪”的情感营销套路已经用烂了，用户越来越对此感到麻木无感，活动效果自然也不会好到哪里去。如何在这个