題圖：by thefolkpr0ject from Instagram

《復仇者聯盟3：無限戰爭》于 2018 年 5 月 11 日在中國大陸上映。截止 5 月 16 日，它累計票房達到 15.25 億。這票房紀錄已經超過了漫威系列單部電影的票房紀錄。不得不說，漫威電影已經成為一種文化潮流。

圖片來自時光網

復聯 3 作為漫威 10 年一劍的收官之作。漫威確認下了很多功夫，給我們奉獻一部精彩絕倫的電影。自己也利用周末時間去電影院觀看。看完之后，個人覺得無論在打斗特效方面還是故事情節，都是給人愉悅的享受。同時，電影還保持以往幽默搞笑的風格，經常能把觀眾逗得捧腹大笑。

如果還沒有去觀看的朋友，可以去電影院看看，確實值得一看。

本文通過 Python 制作網絡爬蟲，爬取豆瓣電影評論，并分析然后制作豆瓣影評的云圖。

1 分析

先通過影評網頁確定爬取的內容。我要爬取的是用戶名，是否看過，五星評論值，評論時間，有用數以及評論內容。

點擊查看大圖

然后確定每頁評論的 url 結構。
第二頁 url 地址：

點擊查看大圖

第三頁 url 地址：

點擊查看大圖

最后發現其中的規律：除了首頁，后面的每頁 url 地址中只有 start= 的值逐頁遞增，其他都是不變的。

2 數據爬取

本文爬取數據，采用的主要是 requests 庫和 lxml 庫中 Xpath。豆瓣網站雖然對網絡爬蟲算是很友好，但是還是有反爬蟲機制。如果你沒有設置延遲，一下子發起大量請求，會被封 IP 的。另外，如果沒有登錄豆瓣，只能訪問前 10 頁的影片。因此，發起爬取數據的 HTTP 請求要帶上自己賬號的 cookie。搞到 cookie 也不是難事，可以通過瀏覽器登錄豆瓣，然后在開發者模式中獲取。

我想從影評首頁開始爬取，爬取入口是：https://movie.douban.com/subject/24773958/comments?status=P，然后依次獲取頁面中下一頁的 url 地址以及需要爬取的內容，接著繼續訪問下一個頁面的地址。

import jieba
import requests
import pandas as pd
import time
import random
from lxml import etree

def start_spider():
    base_url = 'https://movie.douban.com/subject/24773958/comments'
    start_url = base_url + '?start=0' 

    number = 1
    html = request_get(start_url) 

    while html.status_code == 200:
        # 獲取下一頁的 url
        selector = etree.HTML(html.text)
        nextpage = selector.xpath("http://div[@id='paginator']/a[@class='next']/@href")
        nextpage = nextpage[0]
        next_url = base_url + nextpage
        # 獲取評論
        comments = selector.xpath("http://div[@class='comment']")
        marvelthree = []
        for each in comments:
            marvelthree.append(get_comments(each))

        data = pd.DataFrame(marvelthree)
        # 寫入csv文件,'a+'是追加模式
        try:
            if number == 1:
                csv_headers = ['用戶', '是否看過', '五星評分', '評論時間', '有用數', '評論內容']
                data.to_csv('./Marvel3_yingpping.csv', header=csv_headers, index=False, mode='a+', encoding='utf-8')
            else:
                data.to_csv('./Marvel3_yingpping.csv', header=False, index=False, mode='a+', encoding='utf-8')
        except UnicodeEncodeError:
            print("編碼錯誤, 該數據無法寫到文件中, 直接忽略該數據")

        data = []

        html = request_get(next_url)

我在請求頭中增加隨機變化的 User-agent, 增加 cookie。最后增加請求的隨機等待時間，防止請求過猛被封 IP。

def request_get(url):
    '''
    使用 Session 能夠跨請求保持某些參數。
    它也會在同一個 Session 實例發出的所有請求之間保持 cookie
    '''
    timeout = 3

    UserAgent_List = [
        "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2227.1 Safari/537.36",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2227.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2227.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2226.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.4; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2225.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2225.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2224.3 Safari/537.36",
        "Mozilla/5.0 (Windows NT 10.0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/40.0.2214.93 Safari/537.36",
        "Mozilla/5.0 (Windows NT 10.0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/40.0.2214.93 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2049.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 4.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2049.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1985.67 Safari/537.36",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1985.67 Safari/537.36",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.3319.102 Safari/537.36",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.2309.372 Safari/537.36",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.2117.157 Safari/537.36",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.47 Safari/537.36",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1866.237 Safari/537.36",
    ]

    header = {
        'User-agent': random.choice(UserAgent_List),
        'Host': 'movie.douban.com',
        'Referer': 'https://movie.douban.com/subject/24773958/?from=showing',
    }

    session = requests.Session()

    cookie = {
        'cookie': "你的 cookie 值",
    }

    time.sleep(random.randint(5, 15))  
    response = requests.get(url, headers=header, cookies=cookie_nologin, timeout = 3)
    if response.status_code != 200:
        print(response.status_code)
    return response

最后一步就是數據獲取：

def get_comments(eachComment):
    commentlist = []
    user = eachComment.xpath("./h3/span[@class='comment-info']/a/text()")[0]  # 用戶
    watched = eachComment.xpath("./h3/span[@class='comment-info']/span[1]/text()")[0]  # 是否看過
    rating = eachComment.xpath("./h3/span[@class='comment-info']/span[2]/@title")  # 五星評分
    if len(rating) > 0:
        rating = rating[0]

    comment_time = eachComment.xpath("./h3/span[@class='comment-info']/span[3]/@title")  # 評論時間
    if len(comment_time) > 0:
        comment_time = comment_time[0]
    else:
        # 有些評論是沒有五星評分, 需賦空值
        comment_time = rating
        rating = ''

    votes = eachComment.xpath("./h3/span[@class='comment-vote']/span/text()")[0]  # "有用"數
    content = eachComment.xpath("./p/text()")[0]  # 評論內容

    commentlist.append(user)
    commentlist.append(watched)
    commentlist.append(rating)
    commentlist.append(comment_time)
    commentlist.append(votes)
    commentlist.append(content.strip())
    # print(list)
    return commentlist

3 制作云圖

因為爬取出來評論數據都是一大串字符串，所以需要對每個句子進行分詞，然后統計每個詞語出現的評論。我采用 jieba 庫來進行分詞，制作云圖，我則是將分詞后的數據丟給網站 worditout 處理。

def split_word():
    with codecs.open('Marvel3_yingpping.csv', 'r', 'utf-8') as csvfile:
        reader = csv.reader(csvfile)
        content_list = []
        for row in reader:
            try:
                content_list.append(row[5])
            except IndexError:
                pass

        content = ''.join(content_list)

        seg_list = jieba.cut(content, cut_all=False)
        result = '\n'.join(seg_list)
        print(result)

最后制作出來的云圖效果是：

點擊查看大圖

"滅霸"詞語出現頻率最高，其實這一點不意外。因為復聯 3 整部電影的故事情節大概是，滅霸在宇宙各個星球上收集 6 顆無限寶石，然后每個超級英雄為了防止滅霸毀滅整個宇宙，組隊來阻止滅霸。

推薦閱讀：
爬蟲實戰二：爬取電影天堂的最新電影
 爬蟲系列的總結

本文原創發布于微信公眾號「極客猴」，歡迎關注第一時間獲取更多原創分享

三个男躁一个女,国精产品一区一手机的秘密,麦子交换系列最经典十句话,欧美国产综合欧美视频

我爬取豆瓣影評，告訴你《復仇者聯盟3》在講什么？

我爬取豆瓣影評，告訴你《復仇者聯盟3》在講什么？

1 分析

2 數據爬取

3 制作云圖

推薦閱讀更多精彩內容

三个男躁一个女,国精产品一区一手机的秘密,麦子交换系列最经典十句话,欧美 国产 综合 欧美 视频

我爬取豆瓣影評，告訴你《復仇者聯盟3》在講什么？

1 分析

2 數據爬取

3 制作云圖

推薦閱讀更多精彩內容

三个男躁一个女,国精产品一区一手机的秘密,麦子交换系列最经典十句话,欧美国产综合欧美视频