两周45亿票房！用Python爬取长津湖，分析它好看在哪里！
十月份的黄金周，乃至整个十月份，妥妥的是《长津湖》的天下，才小半个月票房就已经突破44亿，都快追上战狼2了。猫眼评分9.5，口碑超高，2021年票房口碑双丰收大黑马！
今天我们通过爬取猫眼的电影评论，进行可视化分析，康康长津湖为什么这么受欢迎，最后教大家进行票房预测，千万不要错过！
猫眼评论爬取，还是那么老一套，直接构造 API 接口信息即可
url = "https://m.maoyan.com/mmdb/comments/movie/257706.json?v=yes&offset=30" payload={} headers = { 'Cookie': '_lxsdk_cuid=17c188b300d13-0ecb2e1c54bec6-a7d173c-100200-17c188b300ec8; Hm_lvt_703e94591e87be68cc8da0da7cbd0be2=1633622378; _lx_utm=utm_source%3DBaidu%26utm_medium%3Dorganic; __mta=87266087.1633622378325.1633622378325.1633622378325.1; uuid_n_v=v1; iuuid=ECBA18D0278711EC8B0DFD12EB2962D2C4A641A554EF466B9362A58679FDD6CF; webp=true; ci=55%2C%E5%8D%97%E4%BA%AC; ci=55%2C%E5%8D%97%E4%BA%AC; ci=55%2C%E5%8D%97%E4%BA%AC; featrues=[object Object]; _lxsdk=92E6A4E0278711ECAE4571A477FD49B513FE367C52044EB5A6974451969DD28A; Hm_lpvt_703e94591e87be68cc8da0da7cbd0be2=1633622806', 'Host': 'm.maoyan.com', 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.61 Safari/537.36' } response = requests.request("GET", url, headers=headers, data=payload) print(response.json())
这么几行代码，我们就可以得到如下结果
获取到数据后，我们就可以解析返回的 json 数据，并保存到本地了。
#兄弟们学习python，有时候不知道怎么学，从哪里开始学。掌握了基本的一些语法或者做了两个案例后，不知道下一步怎么走，不知道如何去学习更加高深的知识。 #那么对于这些大兄弟们，我准备了大量的免费领取视频教程，PDF电子书籍，以及视频源的源代码！ #还会有大佬解答！ #都在下面这个群里了，872937351 #欢迎加入，一起讨论 一起学习！
先写一个保存数据的函数
def save_data_pd(data_name, list_info): if not os.path.exists(data_name + r'_data.csv'): # 表头 name = ["comment_id","approve","reply","comment_time","sureViewed","nickName", "gender","cityName","userLevel","user_id","score","content"] # 建立DataFrame对象 file_test = pd.DataFrame(columns=name, data=list_info) # 数据写入 file_test.to_csv(data_name + r'_data.csv', encoding='utf-8', index=False) else: with open(data_name + r'_data.csv', 'a+', newline='', encoding='utf-8') as file_test: # 追加到文件后面 writer = csv.writer(file_test) # 写入文件 writer.writerows(list_info)
直接通过 Pandas 来保存数据，可以省去很多数据处理的事情
接下来编写解析 json 数据的函数
def get_data(json_comment): list_info = [] for data in json_comment: approve = data["approve"] comment_id = data["id"] cityName = data["cityName"] content = data["content"] reply = data["reply"] # 性别：1男，2女，0未知 if "gender" in data: gender = data["gender"] else: gender = 0 nickName = data["nickName"] userLevel = data["userLevel"] score = data["score"] comment_time = data["startTime"] sureViewed = data["sureViewed"] user_id = data["userId"] list_one = [comment_id, approve, reply, comment_time, sureViewed, nickName, gender, cityName, userLevel, user_id, score, content] list_info.append(list_one) save_data_pd("maoyan", list_info)
我们把主要信息提取出来，比如用户的 nickname，评论时间，所在城市等等，然后把代码整合，构造爬取得 url 就好了！
def fire(): tmp = "https://m.maoyan.com/mmdb/comments/movie/257706.json?v=yes&offset=" payload={} headers = { 'Cookie': '_lxsdk_cuid=17c188b300d13-0ecb2e1c54bec6-a7d173c-100200-17c188b300ec8; Hm_lvt_703e94591e87be68cc8da0da7cbd0be2=1633622378; _lx_utm=utm_source%3DBaidu%26utm_medium%3Dorganic; __mta=87266087.1633622378325.1633622378325.1633622378325.1; uuid_n_v=v1; iuuid=ECBA18D0278711EC8B0DFD12EB2962D2C4A641A554EF466B9362A58679FDD6CF; webp=true; ci=55%2C%E5%8D%97%E4%BA%AC; ci=55%2C%E5%8D%97%E4%BA%AC; ci=55%2C%E5%8D%97%E4%BA%AC; featrues=[object Object]; _lxsdk=92E6A4E0278711ECAE4571A477FD49B513FE367C52044EB5A6974451969DD28A; Hm_lpvt_703e94591e87be68cc8da0da7cbd0be2=1633622806', 'Host': 'm.maoyan.com', 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.61 Safari/537.36' } for i in range(0, 3000, 15): url = tmp + str(i) print(url) response = requests.request("GET", url, headers=headers, data=payload) comment = response.json() if not comment.get("hcmts"): break hcmts = comment['hcmts'] get_data(hcmts) cmts = comment['cmts'] get_data(cmts) time.sleep(10)
保存到本地的数据
我们就来进行相关的可视化分析了
1、数据清洗
首先我们根据 comment_id 来去除重复数据
df_new = df.drop_duplicates(['comment_id'])
对于评论内容，我们进行去除非中文的操作。
def filter_str(desstr,restr=''): #过滤除中文以外的其他字符 res = re.compile("[^\u4e00-\u9fa5^,^，^.^。^【^】^（^）^(^)^“^”^-^！^!^？^?^]") # print(desstr) res.sub(restr, desstr)
2、评论点赞及回复榜
来看看哪些评论是被点赞最多的
approve_sort = df_new.sort_values(by=['approve'], ascending=False) approve_sort = df_new.sort_values(by=['approve'], ascending=False) x_data = approve_sort['nickName'].values.tolist()[:10] y_data = approve_sort['approve'].values.tolist()[:10] b = (Bar() .add_xaxis(x_data) .add_yaxis('',y_data) .set_global_opts(title_opts = opts.TitleOpts(title='评论点赞前十名')) .set_series_opts(label_opts=opts.LabelOpts(is_show=True,position='right')) .reversal_axis() ) grid = Grid(init_opts=opts.InitOpts(theme=ThemeType.VINTAGE)) grid.add(b, grid_opts=opts.GridOpts(pos_left="20%")) grid.render_notebook()
我们可以看到榜首是一个叫“琦寶”的观众写的评论，点赞量86027。
再看看评论回复
reply_sort = df_new.sort_values(by=['reply'], ascending=False) x_data = reply_sort['nickName'].values.tolist()[:10] y_data = reply_sort['reply'].values.tolist()[:10] b = (Bar() .add_xaxis(x_data) .add_yaxis('',y_data) .set_global_opts(title_opts = opts.TitleOpts(title='评论回复前十名')) .set_series_opts(label_opts=opts.LabelOpts(is_show=True,position='right')) .reversal_axis() ) grid = Grid(init_opts=opts.InitOpts(theme=ThemeType.VINTAGE)) grid.add(b, grid_opts=opts.GridOpts(pos_left="20%")) grid.render_notebook()
回复量最高的同样是“琦寶”的评论，那么他到底写了什么呢？
df_new[df_new['nickName'].str.contains('琦寶')]['content'].values.tolist()[0]
Output：
'印象中第一次一大家子一起来看电影，姥爷就是志愿军，他一辈子没进过电影院，开始还担心会不会不适应，感谢影院工作人员的照顾，
姥爷全程非常投入，我坐在旁边看到他偷偷抹了好几次眼泪，刚才我问电影咋样，一直念叨“好，好哇，我们那时候就是那样的，就是那样的……”\n忽然觉得历史长河与我竟如此之近，刚刚的三个小时我看到的是遥远的70年前、是教科书里的战争，更是姥爷的19岁，是真真切切的、他的青春年代！'
还真的是非常走心的评论，而且自己的家人就有经历过长津湖战役的经历，那么在影院观影的时候，肯定会有不一样的感受！
当然我们还可以爬取每条评论的reply信息，通过如下接口：
https://i.maoyan.com/apollo/apolloapi/mmdb/replies/comment/1144027754.json?v=yes&offset=0
只需要替换 json 文件名称为对应的 comment_id 即可，这里就不再详细介绍了，感兴趣的朋友自行探索呀
下面我们来看一下整体评论数据的情况
3、各城市排行
来看看哪些城市的评论最多呢
result = df_new['cityName'].value_counts()[:10].sort_values() x_data = result.index.tolist() y_data = result.values.tolist() b = (Bar() .add_xaxis(x_data) .add_yaxis('',y_data) .set_global_opts(title_opts = opts.TitleOpts(title='评论城市前十')) .set_series_opts(label_opts=opts.LabelOpts(is_show=True,position='right')) .reversal_axis() ) grid = Grid(init_opts=opts.InitOpts(theme=ThemeType.VINTAGE)) grid.add(b, grid_opts=opts.GridOpts(pos_left="20%")) grid.render_notebook()
一线大城市纷纷上榜，看来这些城市的爱国主义教育做得还是要好很多呀！
再来看看城市的全国地图分布：
result = df_new['cityName'].value_counts().sort_values() x_data = result.index.tolist() y_data = result.values.tolist() city_list = [list(z) for z in zip(x_data, y_data)]
可以看到，这个评论城市的分布，也是与我国总体经济的发展情况相吻合的
4、性别分布
再来看看此类电影，对什么性别的观众更具有吸引力
attr = ["其他","男","女"] b = (Pie() .add("", [list(z) for z in zip(attr, df_new.groupby("gender").gender.count().values.tolist())]) .set_global_opts(title_opts = opts.TitleOpts(title='性别分布')) .set_series_opts(label_opts=opts.LabelOpts(is_show=True,position='right')) ) grid = Grid(init_opts=opts.InitOpts(theme=ThemeType.VINTAGE)) grid.add(b, grid_opts=opts.GridOpts(pos_left="20%")) grid.render_notebook()
在填写了性别的数据当中，女性竟然多一些，这还是比较出乎意料的
5、是否观看
猫眼是可以在没有观看电影的情况下进行评论的，我们来看看这个数据的情况
result = df_new["sureViewed"].value_counts()[:10].sort_values().tolist() b = (Pie() .add("", [list(z) for z in zip(["未看过", "看过"], result)]) .set_global_opts(title_opts = opts.TitleOpts(title='是否观看过')) .set_series_opts(label_opts=opts.LabelOpts(is_show=True,position='right')) ) grid = Grid(init_opts=opts.InitOpts(theme=ThemeType.VINTAGE)) grid.add(b, grid_opts=opts.GridOpts(pos_left="20%")) grid.render_notebook()
大部分人都是在观看了之后才评论的，这要在一定程度上保证了评论和打分的可靠性
6、评分分布
猫眼页面上是10分制，但是在接口当中是5分制
result = df_new["score"].value_counts().sort_values() x_data = result.index.tolist() y_data = result.values.tolist() b = (Bar() .add_xaxis(x_data) .add_yaxis('',y_data) .set_global_opts(title_opts = opts.TitleOpts(title='评分分布')) .set_series_opts(label_opts=opts.LabelOpts(is_show=True,position='right')) .reversal_axis() ) grid = Grid(init_opts=opts.InitOpts(theme=ThemeType.VINTAGE)) grid.add(b, grid_opts=opts.GridOpts(pos_left="20%")) grid.render_notebook()
可以看到5-4.5评论占据了大部分，口碑是真的好啊
7、评论时间分布
对于评论时间，我这里直接使用了原生的 echarts 来作图
from collections import Counter result = df_new["comment_time"].values.tolist() result = [i.split()[1].split(":")[0] + "点" for i in result] result_dict = dict(Counter(result)) result_list = [] for k,v in result_dict.items(): tmp = {} tmp['name'] = k tmp['value'] = v result_list.append(tmp) children_dict = {"children": result_list}
能够看出，在晚上的19点和20点，都是大家写评论的高峰期，一天的繁忙结束后，写个影评放松下。
8、每天评论分布
接下来是每天的评论分布情况
result = df_new["comment_time"].values.tolist() result = [i.split()[0] for i in result] result_dict = dict(Counter(result)) b = (Pie() .add("", [list(z) for z in zip(result_dict.keys(), result_dict.values())]) .set_global_opts(title_opts = opts.TitleOpts(title='每天评论数量')) .set_series_opts(label_opts=opts.LabelOpts(is_show=True,position='right')) ) grid = Grid(init_opts=opts.InitOpts(theme=ThemeType.VINTAGE)) grid.add(b, grid_opts=opts.GridOpts(pos_left="20%")) grid.render_notebook()
就目前来看，几乎所有的评论都集中在10月8号，难道是上班第一天，不想上班，只想摸鱼？
9、用户等级分布
来看下猫眼评论用户的等级情况，虽然不知道这个等级有啥用
result = df_new['userLevel'].value_counts()[:10].sort_values() x_data = result.index.tolist() y_data = result.values.tolist() b = (Bar() .add_xaxis(x_data) .add_yaxis('',y_data) .set_global_opts(title_opts = opts.TitleOpts(title='用户等级')) .set_series_opts(label_opts=opts.LabelOpts(is_show=True,position='right')) .reversal_axis() ) grid = Grid(init_opts=opts.InitOpts(theme=ThemeType.VINTAGE)) grid.add(b, grid_opts=opts.GridOpts(pos_left="20%")) grid.render_notebook()
大家基本都是 level2，哈哈哈哈，普罗大众嘛
10、主创提及次数
我们再来看看在评论中，各位主创被提及的次数情况
name = ["吴京", "易烊千玺", "段奕宏", "朱亚文", "李晨", "胡军", "王宁", "刘劲", "卢奇", "曹阳", "李军", "孙毅", "易", "易烊", "千玺" ] def actor(data, name): counts = {} comment = jieba.cut(str(data), cut_all=False) # 去停用词 for word in comment: if word in name: if word == "易" or word == "千玺" : word = "易烊千玺" counts[word] = counts.get(word,0)+1 return counts counts = actor(','.join(df_comment.values.tolist()), name)
毫无疑问，易烊千玺高居榜首，可能妈妈粉比较多吧，不过人家演技确实也在线
11、评论词云
最后来看看评论的词云情况吧
font = r'C:\Windows\Fonts\FZSTK.TTF' STOPWORDS = {"回复", "@", "我", "她", "你", "他", "了", "的", "吧", "吗", "在", "啊", "不", "也", "还", "是", "说", "都", "就", "没", "做", "人", "赵薇", "被", "不是", "现在", "什么", "这", "呢", "知道", "邓", "我们", "他们", "和", "有", "", "", "要", "就是", "但是", "而", "为", "自己", "中", "问题", "一个", "没有", "到", "这个", "并", "对"} def wordcloud(data, name, pic=None): comment = jieba.cut(str(data), cut_all=False) words = ' '.join(comment) img = Image.open(pic) img_array = np.array(img) wc = WordCloud(width=2000, height=1800, background_color='white', font_path=font, mask=img_array, stopwords=STOPWORDS, contour_width=3, contour_color='steelblue') wc.generate(words) wc.to_file(name + '.png')
这里我们使用线性回归来进行简单的票房预测，毕竟票房是一个超级复杂的事物，没有办法完全准确地进行估计
我们先通过 AKShare 库克来获取这几天《长津湖》的票房情况
movie_boxoffice_daily_df = ak.movie_boxoffice_daily(date="20211008") print(movie_boxoffice_daily_df) movie_boxoffice_daily_df[movie_boxoffice_daily_df['影片名称'].str.contains('长津湖')]['单日票房'].values.tolist()[0]
接下来画散点图，看下趋势情况。
def scatter_base(choose, values, date) -> Scatter: c = ( Scatter() .add_xaxis(choose) .add_yaxis("%s/每天票房" % date, values) .set_global_opts(title_opts=opts.TitleOpts(title=""), # datazoom_opts=opts.DataZoomOpts(), yaxis_opts=opts.AxisOpts( axislabel_opts=opts.LabelOpts(formatter="{value} /万") ) ) .set_series_opts(label_opts=opts.LabelOpts(is_show=False)) ) return c date_list = create_assist_date("20211001", "20211008") value_list = get_data("长津湖", date_list) scatter_base(date_list, value_list, '长津湖').render_notebook()
可以看到，从一号开始，单日票房逐步增长，7号达到最高峰，8号开始回落
下面我们来进行数据拟合，使用 sklearn 提供的 linear_model 来进行
date_list = create_assist_date("20211001", "20211008") value_list = get_data("长津湖", date_list) X = np.array([1001, 1002, 1003, 1004, 1005, 1006, 1007, 1008]) X = X.reshape(-1, 1) y = value_list model = pl.make_pipeline( sp.PolynomialFeatures(5), # 多项式特征拓展器 lm.LinearRegression() # 线性回归器 ) # 训练模型 model.fit(X, y) # 求预测值y pred_y = model.predict(X) print(pred_y) # 绘制多项式回归线 px = np.linspace(X.min(), X.max(), 1000) px = px.reshape(-1, 1) pred_py = model.predict(px) # 绘制图像 mp.figure("每天票房数据", facecolor='lightgray') mp.title('每天票房数据 Regression', fontsize=16) mp.tick_params(labelsize=10) mp.grid(linestyle=':') mp.xlabel('x') mp.ylabel('y') mp.scatter(X, y, s=60, marker='o', c='dodgerblue', label='Points') mp.plot(px, pred_py, c='orangered', label='PolyFit Line') mp.tight_layout() mp.legend() mp.show()
再根据拟合的结果，我们来预测下明天的票房情况。
好啦，坐等明天开奖！
