Python爬取哆啦A夢-伴我同行2豆瓣影評并生成詞云圖

更新時間：2021年06月03日 08:38:48 作者：數(shù)據(jù)分析與統(tǒng)計學之美

哆啦A夢系列是陪伴我,乃至陪伴了幾代人成長的故事.50年來,藤子·F·不二雄先生創(chuàng)造了竹蜻蜓,任意門,時光機器等等無數(shù)的新奇道具,讓大雄和他的小伙伴們經(jīng)歷了各種冒險,也經(jīng)歷了許多充滿戲劇性的啼笑皆非的日常.特意寫了這篇文章,教大家怎么繪制詞云圖,需要的朋友可以參考下

一、前言

通過這篇文章，你將會收貨：

① 豆瓣電影數(shù)據(jù)的爬??；

② 手把手教你學會詞云圖的繪制；

在這里插入圖片描述

二、豆瓣爬蟲步驟

當然，豆瓣上面有很多其他的數(shù)據(jù)，值得我們爬取后做分析。但是本文我們僅僅爬取評論信息。

待爬取網(wǎng)址：

https://movie.douban.com/subject/34913671/comments?status=P

由于只有一個字段，我們直接使用re正則表達式，解決該問題。

在這里插入圖片描述

那些爬蟲小白看過來，這又是一個你們練手的好機會。

下面直接為大家講述爬蟲步驟：

# 1. 導入相關庫，用什么庫，都寫在這里
import requests
import chardet
import re

# 2. 構造請求頭，這是一個反扒措施，初期學會總結，哪些網(wǎng)站都用了哪些，總結多了，用起來就得心應手。
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36',
    #在爬蟲里面如果出現(xiàn)了Referer最好也粘上去，因為有時候服務器會根據(jù)Referer來判斷請求時由瀏覽器還是爬蟲發(fā)出的
    'Referer':'https://www.douban.com/'
}

# 3. 這個循環(huán)，類似于翻頁操作
for i in range(0,1001,20):
    url = f"https://movie.douban.com/subject/34913671/comments?start={i}&limit=20&status=P&sort=new_score"
    # 4. 使用requests庫發(fā)起請求
    response = requests.get(url,headers=headers)#發(fā)起請求得到響應
    # 5. 有時候返回結果可能會亂碼，這里記得調用encoding屬性，修改編碼
    response.encoding = "utf-8"
    # 6. 獲取返回的結果，調用的是text屬性。一定要區(qū)分text和content屬性的區(qū)別
    text = response.text#返回一個經(jīng)過解碼的字符串
    # 7. 解析數(shù)據(jù)，這里直接使用正則解析
    comments_list = [i for i in re.findall('<span class="short">(.*?)</span>',text,re.S)]
    # 8. 數(shù)據(jù)存儲，針對列表中的每一條數(shù)據(jù)，我們直接使用open()函數(shù)，寫入到txt文檔
    for comment in comments_list:
         with open(r"哆啦A夢：伴我同行2.txt","a",encoding = "utf-8") as f :  
                    f.write(comment + "\n")

三、最終效果如下

在這里插入圖片描述

四、詞云圖制作流程

很多同學不會制作詞云圖，借此機會，我這里寫一套詳細的流程，大家照貓畫虎就行。

繪制詞云圖的詳細步驟如下：

① 導入相關庫；
② 讀取文本文件，使用jieba庫動態(tài)修改詞典；
③ 使用jieba庫中的lcut()方法進行分詞；
④ 讀取停用詞，添加額外停用詞，并去除停用詞；
⑤ 詞頻統(tǒng)計；
⑥ 繪制詞云圖

① 導入相關庫

在這里，你需要什么庫，就導入什么庫。

import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt
from imageio import imread

import warnings
warnings.filterwarnings("ignore")

② 讀取文本文件，使用jieba庫動態(tài)修改詞典

這里with open()讀取文本文件，我就不解釋了。這里解釋一下動態(tài)修改詞典。

sentence = "湖北廣水第三條街，有一條狗"

list(jieba.cut(sentence))

結果如下：

在這里插入圖片描述

針對上述切分結果，如果我們想把“湖北廣水”和“第三條街”都當成一個完整詞，而不切分開，怎么辦呢？此時，就需要借助add_word()方法，動態(tài)修改詞典。

sentence = "湖北廣水第三條街，有一條狗"

jieba.add_word("湖北廣水")
jieba.add_word("有一條狗")

list(jieba.cut(sentence))

結果如下：

在這里插入圖片描述

總結：

jieba.add_word()方法，只能一個個動態(tài)添加某個詞語。
假如我們需要動態(tài)添加多個詞語的時候，就需要使用jieba.load_userdict()方法。也就是說：將所有的自定義詞語，放到一個文本中，然后使用該方法，一次性動態(tài)修改詞典集。

有了上述基礎，我們直接讀取文本后，動態(tài)修改詞典。

with open(r"哆啦A夢：伴我同行2.txt",encoding="utf-8") as f:
    txt = f.read()
txt = txt.split()

jieba.add_word("哆啦A夢")
jieba.add_word("大雄")

③ 使用jieba庫中的lcut()方法進行分詞

短短的一行代碼，很簡單。

data_cut = [jieba.lcut(x) for x in txt]

④ 讀取停用詞，添加額外停用詞，并去除停用詞

讀取停用詞，采用split()函數(shù)切分后，會得到一個停用詞列表。接著，采用+號將額外停用詞，添加到列表中即可。

# 讀取停用詞
with open(r"stoplist.txt",encoding="utf-8") as f:
    stop = f.read()
stop = stop.split()
# 額外添加停用詞，這里我們只添加了一個空格
stop = [" "] + stop
# 去除停用詞
s_data_cut = pd.Series(data_cut)
all_words_after = s_data_cut.apply(lambda x:[i for i in x if i not in stop])

⑤ 詞頻統(tǒng)計

這里注意series中value_counts()的使用。

all_words = []
for i in all_words_after:
    all_words.extend(i)
    
word_count = pd.Series(all_words).value_counts()

⑥ 繪制詞云圖

# 1、讀取背景圖片
back_picture = imread(r"aixin.jpg")

# 2、設置詞云參數(shù)
wc = WordCloud(font_path="simhei.ttf",
               background_color="white",
               max_words=2000,
               mask=back_picture,
               max_font_size=200,
               random_state=42
              )
wc2 = wc.fit_words(word_count)

# 3、繪制詞云圖
plt.figure(figsize=(16,8))
plt.imshow(wc2)
plt.axis("off")
plt.show()
wc.to_file("ciyun.png")