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&status=P&sort=new_score

在这里插入图片描述
分析要爬取的URL;
34841067：电影ID
start=20：开始页面
limit=20：每页评论条数

代码：

url = 'https://movie.douban.com/subject/%s/comments?start=%s&limit=20&sort=new_score&status=P % (movie_id, (i - 1) * 20)

在谷歌浏览器中按F12进入开发者调试模式，查看源代码，找到短评的代码位置，查看位于哪个div，哪个标签下：
在这里插入图片描述
可以看到评论在div[id=‘comments’]下的div[class=‘comment-item’]中的第一个span[class=‘short’]中，使用正则表达式提取短评内容，即代码为：

url = 'https://movie.douban.com/subject/%s/comments?start=%s&limit=20&sort=new_score&status=P' \
                  % (movie_id, (i - 1) * 20)

            req = requests.get(url, headers=headers)
            req.encoding = 'utf-8'
            comments = re.findall('<span class="short">(.*)</span>', req.text)

 

背景图：

在这里插入图片描述

生成的词云：

在这里插入图片描述

完整代码：

 1 import re
 2 from PIL import Image
 3 import requests
 4 import jieba
 5 import matplotlib.pyplot as plt
 6 import numpy as np
 7 
 8 from os import path
 9 
10 from wordcloud import WordCloud, STOPWORDS
11 
12 headers = {
13      'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:64.0) Gecko/20100101 Firefox/64.0'
14 }
15 
16 d = path.dirname(__file__)
17 
18 def spider_comment(movie_id, page):
19     """
20     爬取评论
21     :param movie_id: 电影ID
22     :param page: 爬取前N页
23     :return: 评论内容
24     """
25     comment_list = []
26     for i in range(page):
27         url = 'https://movie.douban.com/subject/%s/comments?start=%s&limit=20&sort=new_score&status=P&percent_type=' \
28               % (movie_id, (i - 1) * 20)
29 
30 
31         req = requests.get(url, headers=headers)
32         req.encoding = 'utf-8'
33         comment_list = re.findall('<span class="short">(.*)</span>', req.text)
34 
35 
36         print("当前页数:%s，总评论数:%s" % (i, len(comment_list)))
37 
38     return comment_list
39 
40 def wordcloud(comment_list):
41 
42     wordlist = jieba.lcut(' '.join(comment_list))
43     text = ' '.join(wordlist)
44 
45 
46     print(text)
47 
48     # 调用包PIL中的open方法，读取图片文件，通过numpy中的array方法生成数组
49     backgroud_Image = np.array(Image.open(path.join(d, "wordcloud.png")))
50 
51     wordcloud = WordCloud(
52         font_path="simsun.ttc",
53         background_color="white",
54 
55         mask=backgroud_Image,  # 设置背景图片
56         stopwords=STOPWORDS,
57         width=2852,
58         height=2031,
59         margin=2,
60         max_words=6000,  # 设置最大显示的字数
61         #stopwords={'企业'},  # 设置停用词，停用词则不再词云图中表示
62         max_font_size=250,  # 设置字体最大值
63         random_state=1,  # 设置有多少种随机生成状态，即有多少种配色方案
64         scale=1) # 设置生成的词云图的大小
65 
66     # 传入需画词云图的文本
67     wordcloud.generate(text)
68 
69     wordcloud.to_image()
70     wordcloud.to_file("cloud.png")
71 
72 
73 
74     plt.imshow(wordcloud)
75     plt.axis("off")
76     plt.show()
77 
78 # 主函数
79 if __name__ == '__main__':
80     movie_id = '34841067'
81     page = 11
82     comment_list = spider_comment(movie_id, page)
83     wordcloud(comment_list)

 

WordCloud各含义参数如下：

 1 font_path : string  #字体路径，需要展现什么字体就把该字体路径+后缀名写上，如：font_path = '黑体.ttf'
 2 
 3 width : int (default=400) #输出的画布宽度，默认为400像素
 4 
 5 height : int (default=200) #输出的画布高度，默认为200像素
 6 
 7 prefer_horizontal : float (default=0.90) #词语水平方向排版出现的频率，默认 0.9 （所以词语垂直方向排版出现频率为 0.1 ）
 8 
 9 mask : nd-array or None (default=None) #如果参数为空，则使用二维遮罩绘制词云。如果 mask 非空，设置的宽高值将被忽略，遮罩形状被 mask 取代。除全白（#FFFFFF）的部分将不会绘制，其余部分会用于绘制词云。如：bg_pic = imread('读取一张图片.png')，背景图片的画布一定要设置为白色（#FFFFFF），然后显示的形状为不是白色的其他颜色。可以用ps工具将自己要显示的形状复制到一个纯白色的画布上再保存，就ok了。
10 
11 scale : float (default=1) #按照比例进行放大画布，如设置为1.5，则长和宽都是原来画布的1.5倍
12 
13 min_font_size : int (default=4) #显示的最小的字体大小
14 
15 font_step : int (default=1) #字体步长，如果步长大于1，会加快运算但是可能导致结果出现较大的误差
16 
17 max_words : number (default=200) #要显示的词的最大个数
18 
19 stopwords : set of strings or None #设置需要屏蔽的词，如果为空，则使用内置的STOPWORDS
20 
21 background_color : color value (default=”black”) #背景颜色，如background_color='white',背景颜色为白色
22 
23 max_font_size : int or None (default=None) #显示的最大的字体大小
24 
25 mode : string (default=”RGB”) #当参数为“RGBA”并且background_color不为空时，背景为透明
26 
27 relative_scaling : float (default=.5) #词频和字体大小的关联性
28 
29 color_func : callable, default=None #生成新颜色的函数，如果为空，则使用 self.color_func
30 
31 regexp : string or None (optional) #使用正则表达式分隔输入的文本
32 
33 collocations : bool, default=True #是否包括两个词的搭配
34 
35 colormap : string or matplotlib colormap, default=”viridis” #给每个单词随机分配颜色，若指定color_func，则忽略该方法
36 
37 random_state : int or None  #为每个单词返回一个PIL颜色
38 
39 
40 fit_words(frequencies)  #根据词频生成词云
41 generate(text)  #根据文本生成词云
42 generate_from_frequencies(frequencies[, ...])   #根据词频生成词云
43 generate_from_text(text)    #根据文本生成词云
44 process_text(text)  #将长文本分词并去除屏蔽词（此处指英语，中文分词还是需要自己用别的库先行实现，使用上面的 fit_words(frequencies) ）
45 recolor([random_state, color_func, colormap])   #对现有输出重新着色。重新上色会比重新生成整个词云快很多
46 to_array()  #转化为 numpy array
47 to_file(filename)   #输出到文件

 

在这里插入图片描述

posted @ 2021-02-23 11:25  BugMiaowu2021  阅读(144)  评论(0)  编辑  收藏  举报