【干货】python爬取《战狼2》电影短评论，生成图云

模拟登陆豆瓣

第一次登陆需要验证码，之后的登陆可以隐去 “login(”username’,’password’）”,因为使用session保存了必要的登陆信息，代码如下:

import requests
try:import cookielib
except:import http.cookiejar as cookielib
import re
import time
import os.path
import json
from bs4 import BeautifulSoup
try:from PIL import Image
except:passfrom mywordCloud import save_jieba_result
from mywordCloud import draw_wordcloud
import threading
import codecs
# 构造 Request headers
agent = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'
headers = {"Host": "www.douban.com","Referer": "https://www.douban.com/",'User-Agent': agent,
}#使用cookie登录信息
session=requests.session()
session.cookies=cookielib.LWPCookieJar(filename='cookies')try:session.cookies.load(ignore_discard=True)print('成功加载cookie')
except:print("cookie 未能加载")# 获取验证码
def get_captcha(url):#获取验证码print('获取验证码',url)captcha_url = urlr = session.get(captcha_url, headers=headers)print('test')with open('captcha.jpg', 'wb') as f:f.write(r.content)f.close()# 用pillow 的 Image 显示验证码# 如果没有安装 pillow 到源代码所在的目录去找到验证码然后手动输入try:im = Image.open('captcha.jpg')im.show()im.close()except:print(u'请到 %s 目录找到captcha.jpg 手动输入' % os.path.abspath('captcha.jpg'))captcha = input("please input the captcha\n>")return captchadef isLogin():#登录个人主页，查看是否登录成功url='https://www.douban.com/people/151607908/'login_code=session.get(url,headers=headers,allow_redirects=False).status_codeif login_code==200:return Trueelse:return Falsedef login(acount,secret):douban="https://www.douban.com/"htmlcha=session.get(douban,headers=headers).textpatterncha=r'id="captcha_image" src="(.*?)" alt="captcha"'httpcha=re.findall(patterncha,htmlcha)pattern2=r'type="hidden" name="captcha-id" value="(.*?)"'hidden_value=re.findall(pattern2,htmlcha)print(hidden_value)post_data = {"source": "index_nav",'form_email': acount,'form_password': secret}if len(httpcha)>0:print('验证码连接',httpcha)capcha=get_captcha(httpcha[0])post_data['captcha-solution']=capchapost_data['captcha-id']=hidden_value[0]print (post_data)post_url='https://www.douban.com/accounts/login'login_page=session.post(post_url,data=post_data,headers=headers)#保存cookiessession.cookies.save()if isLogin():print('登录成功')else:print('登录失败')def get_movie_sort():time.sleep(1)movie_url='https://movie.douban.com/chart'html=session.get(movie_url,headers=headers)soup=BeautifulSoup(html.text,'html.parser')result=soup.find_all('a',{'class':'nbg'})print(result)#爬取短评论
def get_comment(filename):  #filename为爬取得内容保存的文件begin=1comment_url = 'https://movie.douban.com/subject/11600078/comments'next_url='?start=20&limit=20&sort=new_score&status=P'headers2 = {"Host": "movie.douban.com","Referer": "https://www.douban.com/",'User-Agent': agent,'Connection': 'keep-alive',}f=open(filename,'w+',encoding='utf-8')while(True):time.sleep(6)html=session.get(url=comment_url+next_url,headers=headers2)soup=BeautifulSoup(html.text,'html.parser')#爬取当前页面的所有评论result=soup.find_all('div',{'class':'comment'}) #爬取得所有的短评pattern4 = r'<p class=""> (.*?)' \r'</p>'for item in result:s=str(item)count2=s.find('<p class="">')count3=s.find('</p>')s2=s[count2+12:count3]  #抽取字符串中的评论if 'class' not in s2:f.write(s2)#获取下一页的链接next_url=soup.find_all('div',{'id':'paginator'})pattern3=r'href="(.*?)">后页'if(len(next_url)==0):breaknext_url=re.findall(pattern3,str(next_url[0]))  #得到后页的链接if(len(next_url)==0): #如果没有后页的链接跳出循环breaknext_url=next_url[0]print('%d爬取下一页评论...'%begin)begin=begin+1#如果爬取了5次则多休息2秒if(begin%6==0):time.sleep(40)print('休息...')print(next_url)f.close()#多线程爬虫，爬取豆瓣影评
def thread_get_comment(filename):next_url = '?start=19&limit=20&sort=new_score&status=P'headers2 = {"Host": "movie.douban.com","Referer": "https://www.douban.com/",'User-Agent': agent,'Connection': 'keep-alive',}f = open(filename, 'w+', encoding='utf-8')comment_url = 'https://movie.douban.com/subject/26363254/comments'crawl_queue=[comment_url+next_url]crawl_queue.append('https://movie.douban.com/subject/26363254/comments?start=144&limit=20&sort=new_score&status=P')seen=set(crawl_queue)def process_queue():begin = 1while True:try:url=crawl_queue.pop()except  IndexError:breakelse:time.sleep(5)html = session.get(url=url,headers=headers2)soup = BeautifulSoup(html.text, 'html.parser')# 爬取当前页面的所有评论result = soup.find_all('div', {'class': 'comment'})  # 爬取得所有的短评pattern4 = r'<p class=""> (.*?)' \r'</p>'for item in result:s = str(item)count2 = s.find('<p class="">')count3 = s.find('</p>')s2 = s[count2 + 12:count3]  # 抽取字符串中的评论f.write(s2)# 获取下一页的链接next_url = soup.find_all('div', {'id': 'paginator'})pattern3 = r'href="(.*?)">后页'if (len(next_url) == 0):breaknext_url = re.findall(pattern3, str(next_url[0]))  # 得到后页的链接if (len(next_url) == 0):  # 如果没有后页的链接跳出循环breaknext_url = next_url[0]print('%d爬取下一页评论...' % begin)begin = begin + 1# 如果爬取了6次则多休息2秒if (begin % 6 == 0):print('休息...')time.sleep(30)print(next_url)if comment_url+next_url not in seen:seen.add(comment_url+next_url)crawl_queue.append(comment_url+next_url)threads=[]max_threads=5while threads or crawl_queue:for thread in threads:if not thread.is_alive():threads.remove(thread)while len(threads)< max_threads and crawl_queue:thread=threading.Thread(target=process_queue)print('--------下一个线程----------')thread.setDaemon(True) # set daemon so main thread can exit when receive ctrl + Cthread.start()threads.append(thread)time.sleep(2)f.close()if __name__=='__main__':if isLogin():print('您已经登录')else:print('xs')login('dsdz@qq.com','5sdfsd6')file_name='key3.txt'get_comment(file_name)        #单线程爬虫#thread_get_comment(file_name)  #多线程爬虫save_jieba_result(file_name)draw_wordcloud('pjl_jieba.txt')

爬取得评论保存在key3.txt 文本文件中：

生成图云

第一步需要：安装必要的Python 库，其中需要的有生成图云scipy 、wordcloud。python库的安装方法，可以参考笔者的博客安装第三方库。一切准备就绪之后，就可以使用jieba分词对得到的所有评论进行分词，分词时候就可以绘制图云。

其中主要的代码 mywordCloud.py

from scipy.misc import  imread
import codecs
from os import  path
import jieba
from wordcloud import WordCloud#暂时没有用到
def get_all_keywords(file_name):word_lists=[]  #关键词列表with codecs.open(file_name,'r',encoding='utf-8') as f:Lists=f.readlines()for li in Lists:cut_list=list(jieba.cut(li))for word in cut_list:word_lists.append(word)word_lists_set=set(word_lists)  #去除相同的元素sort_count=[]word_lists_set=list(word_lists_set)length=len(word_lists_set)print(u'共有%d个关键词'%length)k = 1for w in word_lists_set:sort_count.append(w + u':' + str(word_lists.count(w)) + u"次\n")print(u"%d---" % k + w + u":" + str(word_lists.count(w)) + u"次")k += 1with codecs.open('count_word.txt', 'w', encoding='utf-8') as f:f.writelines(sort_count)def save_jieba_result(file_name):#设置多线程切割#jieba.enable_parallel(4)dirs=path.join(path.dirname(__file__),file_name)print(dirs)with codecs.open(dirs,encoding='utf-8') as f:comment_text=f.read()cut_text=" ".join(jieba.cut(comment_text))with codecs.open('pjl_jieba.txt','w',encoding='utf-8') as f:f.write(cut_text)def draw_wordcloud(file_name):with codecs.open(file_name,encoding='utf-8') as f:comment_text=f.read()color_mask=imread('timg.jpg') #读取背景图片stopwords = ['png','douban','com','href','https','img','img3','class','source','icon','shire',u'有点',u'真的',u'觉得',u'还是',u'一个',u'就是', u'电影', u'你们', u'这么', u'不过', u'但是', u'什么', u'没有', u'这个', u'那个', u'大家', u'比较', u'看到', u'真是',u'除了', u'时候', u'已经', u'可以']font = r'C:\Windows\Fonts\simfang.ttf'cloud=WordCloud(font_path=font,background_color='white',max_words=20000,max_font_size=200,min_font_size=10,mask=color_mask,stopwords=stopwords)word_cloud=cloud.generate(comment_text)  #产生词云word_cloud.to_file('mycloud.jpg')

通过上面两个代码，就可以生成漂亮的图云，来预测观看《战狼2》这部电影的人主要评论的关键词：

附上笔者的github源代码地址：https://github.com/wu-yy/warWolf

【干货】python爬取《战狼2》电影短评论，生成图云相关推荐

python爬取豆瓣影评生成词云的课程设计报告_简单爬取《小丑》电影豆瓣短评生成词云...
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 ...
Python爬取你好李焕英豆瓣短评生成词云
爬取过程: 你好,李焕英短评的URL: https://movie.douban.com/subject/34841067/comments?start=20&limit=20&st ...
Python 爬取B站视频信息弹幕信息生成词云统计
本文介绍功能:实现爬取B站视频信息(用户输入关键词).爬取弹幕信息(支持自定义天数).生成词云图完整代码地址:https://github.com/736755244/py_bilibili 一.数 ...
Python爬取视频之爱情电影及解密TS文件和两种合并ts的方法
俗话说,兴趣所在,方能大展拳脚.so结合兴趣的学习才能事半功倍,更加努力专心,apparently本次任务是在视频网站爬取一些好看的小电影,地址不放(狗头保命)只记录过程. 实现功能: 从网站上爬取采 ...
Python爬取2022春节档电影信息
Python爬取2022春节档电影信息前提条件相关介绍实验环境具体步骤确定目标网站分析网站按F12打开浏览器操作台按Ctrl+Shift+C快捷键,用鼠标找到目标元素按Ctrl+F快 ...
Python爬取豆瓣热映电影
Python爬取豆瓣热映电影 # encoding: utf-8import requests from lxml import etree# 1. 将目标网站上的页面抓取下来 headers = { ...
Python爬取豆瓣《复仇者联盟3》评论并生成乖萌的格鲁特
代码地址如下: http://www.demodashi.com/demo/13257.html 1. 需求说明本项目基于Python爬虫,爬取豆瓣电影上关于复仇者联盟3的所有影评,并保存至本地文件 ...
python爬取二手房库存，存数据库，生成折线图（下）
python爬取二手房库存,存数据库,生成折线图(下) 数据库有了房价的多阶段价格后,即可生成折线图.默认我的数据库已经有很多天的数据了进入html页面的时候,默认加载房价走势图在vue 的mou ...
python爬取《三国演义》小说统计词频生成词云图
python爬取<三国演义>小说&统计词频&生成词云图注意点: 爬取小说正文时用的正则表达式涉及到多行匹配.需要开启多行模式(?s) book_content_re = ...
用python爬取豆瓣影评及影片信息(评论时间、用户ID、评论内容)
爬虫入门:python爬取豆瓣影评及影片信息:影片评分.评论时间.用户ID.评论内容思路分析元素定位完整代码豆瓣网作为比较官方的电影评价网站,有很多对新上映影片的评价,不多说,直接进入正题. ...

【干货】python爬取《战狼2》电影短评论，生成图云

模拟登陆豆瓣

生成图云

【干货】python爬取《战狼2》电影短评论，生成图云相关推荐

最新文章

热门文章