哪吒票房逼近30亿，从豆瓣短评简单分析人们对哪吒的态度
- 2019 年 10 月 3 日
- 笔记
- 暑期档电影惨淡，但随着哪吒爆红开拓了新局面。这也是国产动画的首次爆红。在哪吒刚出，笔者
以为最多10亿就算不错的了。没想过仅过了几天就破了10亿。接着头条又突破20亿——–目前11天27亿，势头增长依然很猛！
那笔者就很好奇人们是怎么看待这一步电影的呢？
- 哪吒？我想哪吒是
陪伴过不少人成长的一部动画片吧，也是记忆中算得上最好看的动画片之一了。里面的哪吒、小猪熊、申公豹、石鸡娘娘令人历历在目。我们或许都被哪吒的敢打敢为、勇敢和天真所感动！
- 对于这么一部爆红的动画电影。我想简单分析人们对
哪吒动画电影的评价状况。那么就选择猫眼票房或者豆瓣的短评爬下来分析了。 - step1：打开豆瓣主页
哪吒短评的界面。F12打开调试点击页面下一页会发现有ajax数据交互。
- step2:分析这个接口，发现
无加密。返回的是json套html需要解析处理一下。用网页访问这个接口。但是你会发现一旦你访问页面靠后它就拒绝访问了。提示你要登录再访问。
- step3:思路很清晰了。只需要登录—>访问接口爬取存储—>可视化分析即可
- 账密登录fidder抓包发现可以
直接发送请求登录。大胆猜测没有cookie限制。登陆后即可访问接口！
- 程序方面只需要根据参数进行模拟即可，登录完将cookie保存。后面的访问都带着这个cookie即可。
登录部分代码为：
import requests import urllib.parse from http import cookiejar url='https://accounts.douban.com/j/mobile/login/basic' header={'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36', 'Referer': 'https://accounts.douban.com/passport/login_popup?login_source=anony', 'Origin': 'https://accounts.douban.com', 'content-Type':'application/x-www-form-urlencoded', 'x-requested-with':'XMLHttpRequest', 'accept':'application/json', 'accept-encoding':'gzip, deflate, br', 'accept-language':'zh-CN,zh;q=0.9', 'connection': 'keep-alive' ,'Host': 'accounts.douban.com' } data={ 'ck':'', 'name':'', 'password':'', 'remember':'false', 'ticket':'' }
##登录函数。post请求api。返回cookie。后面携带这个cookie访问接口
def login(username,password): global data data['name']=username data['password']=password data=urllib.parse.urlencode(data) print(data) req=requests.post(url,headers=header,data=data,verify=False) cookies = requests.utils.dict_from_cookiejar(req.cookies) print(cookies) return cookies - 通过api的规则拼凑，抓下来的数据。我们主要需要
评价星,和评论语句。 - 使用Beautifulsoup进行dom解析。使用
xldr、xldw将数据写入excel文件中。一个页面20条。页面url增加直到出现异常为止停止。
主要代码实现：
def getcomment(cookies): start=0 w = xlwt.Workbook(encoding='ascii') ws = w.add_sheet('sheet1') index=1 while True:##存入ws.write(hang，lie，value) try: url = 'https://movie.douban.com/subject/26794435/comments?start='+str(start)+'&limit=20&sort=new_score&status=P&comments_only=1' start+=20 req = requests.get(url,cookies=cookies) res = req.json() res=res['html'] soup = BeautifulSoup(res, 'lxml') node = soup.select('.comment-item') #print(node[0]) for va in node: name = va.a.get('title') star = va.select_one('.comment-info').select('span')[1].get('class')[0][-2] comment = va.select_one('.short').text print(name, star, comment) ws.write(index,0,index) ws.write(index, 1, name) ws.write(index, 2, star) ws.write(index, 3, comment) index+=1 except Exception as e: print(e) break w.save('nezha.xls') - 对于爬取的结过一览
- 我们要对评分进行统计、词频统计。还有就是生成词云展示。而对应的就是
matplotlib、WordCloud库。
评分统计：
- 对于评分统计，使用数组将上面的
1，2，3，4，5，五个分数段读取时候写入，根据数据画出饼状图分析即可。
- 从上图也可以知道，对于评分，大部分还是分布在5分和4分的，占比分别为
41.2%和33.4%.而2分和1分时非常少！这足以说明这部片绝对不是烂片或者争议不是很大。一部片不可能满足所有人。存在不满意的都在三分但依然能够接受。所以从评分分布来看哪吒还是广受支持的！
词频统计：
- 根据jieba分词。统计前面热词出现的次数。反应观众
共鸣点。
- 可以看的出国产、大圣(大圣归来对比).这些热门话题直戳心头！
词云展示：
- 相比词频，词云无法看到词语的准确数量，但是可以看的到更多词汇、人们的评价。笔者这里通过count()类(map)对分词结果进行词频统计。统计完的词频排序
前300个词展示在2个词云上。这些词语的出现频率均大于10.所以还是有所参考价值额。
- 可以从词云简单分析出大家还是很满意的，充满浓浓
封神色彩、动画风格、不屈的争斗、国产的激动!在票房直逼30亿的情况下！我、要去看了。
代码
- 顺便给出可视化分析部分代码：
import matplotlib.pyplot as plt import matplotlib import jieba import xlwt import xlrd from wordcloud import WordCloud import numpy as np from collections import Counter matplotlib.rcParams['font.sans-serif'] = ['SimHei'] matplotlib.rcParams['axes.unicode_minus'] = False ##获取分数的饼图。用数组获取1-5分出现的次数 def anylasescore(comment): score=[0,0,0,0,0,0] count=0 for va in comment: try: score[int(va[2])]+=1 count+=1 except Exception as e: continue print(score) label='1分','2分','3分','4分','5分' color = 'blue', 'orange', 'yellow', 'green', 'red' # 各类别颜色 size=[0,0,0,0,0] explode=[0,0,0,0,0] for i in range(1,5): size[i]=score[i]*100/count explode[i]=score[i]/count/10 pie = plt.pie(size, colors=color, explode=explode, labels=label, shadow=True, autopct='%1.1f%%') for font in pie[1]: font.set_size(8) for digit in pie[2]: digit.set_size(8) plt.axis('equal') plt.title(u'各个评分占比', fontsize=12) plt.legend(loc=0, bbox_to_anchor=(0.82, 1)) # 图例 # 设置legend的字体大小 leg = plt.gca().get_legend() ltext = leg.get_texts() plt.setp(ltext, fontsize=6) plt.savefig("score.png") # 显示图 plt.show() def getzhifang(map):##词频的直方图 x=[]##词语 y=[]##词语出现数量 for k,v in map.most_common(15): x.append(k) y.append(v) Xi = np.array(x) Yi = np.array(y) x = np.arange(0, 15, 1) width = 0.6 plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.figure(figsize=(8, 6)) ##指定图像比例： 8：6 plt.bar(Xi, Yi, width, color='blue', label='热门词频统计', alpha=0.8,) plt.xlabel("词频")##标签 plt.ylabel("次数") plt.show() return def getciyun_most(map):##获取词云 x = [] y = [] for k, v in map.most_common(300):##300个词云分2个词云 x.append(k) y.append(v) xi=x[0:150] xi=' '.join(xi) print(xi) backgroud_Image = plt.imread('nezha.jpg') # 如果需要个性化词云,哪吒背景图 wc = WordCloud(background_color="white", width=1500, height=1200, #min_font_size=40, mask=backgroud_Image, font_path="simhei.ttf", max_font_size=150, # 设置字体最大值 random_state=50, # 设置有多少种随机生成状态，即有多少种配色方案 ) # 字体这里有个坑，一定要设这个参数。否则会显示一堆小方框wc.font_path="simhei.ttf" # 黑体 # wc.font_path="simhei.ttf" my_wordcloud = wc.generate(xi) plt.imshow(my_wordcloud) my_wordcloud.to_file("img.jpg") xi=' '.join(x[150:300]) my_wordcloud = wc.generate(xi) my_wordcloud.to_file("img2.jpg") plt.axis("off") def anylaseword(comment):## 分词，去掉符号、换行等垃圾数据 commnetstr='' c = Counter() low=Counter() index=0 for va in comment: seg_list = jieba.cut(va[3],cut_all=False) index+=1 for x in seg_list: if len(x) > 1 and x != 'rn': try: c[x]+=1 except: continue commnetstr+=va[3] for (k, v) in c.most_common(): if v<5: c.pop(k) continue #print(k,v) print(len(c),c) getzhifang(c) getciyun_most(c) #print(commnetstr) def anylase(): data = xlrd.open_workbook('nezha.xls') # 打开xls文件 table = data.sheets()[0] # 打开第i张表 comment = [] for i in range(1, 500): comment.append(table.row_values(i)) # print(comment) anylasescore(comment) anylaseword(comment) if __name__ == '__main__': anylase() - 如果自己需要可以到github下载项目完整代码。当然，只需要更改部分即可同理分析其他电影。
- 项目
依然有不够完善地方，如影评，对不同评分的平均不同处理、其他不同角度如评论用户性别、地点等等等等，这里不做延申。 - 如果对
后端、爬虫、数据结构算法等感性趣欢迎关注我的个人公众号交流(关注一波十年少)：bigsai持续输出分享！
