关于python:票房和口碑称霸国庆档用-Python-爬取猫眼评论区看看电影我和我的家乡到底有多牛

45次阅读

共计 6838 个字符,预计需要花费 18 分钟才能阅读完成。


往年的国庆档电影市场的体现还是比拟强势的,两名主力《我和我的他乡》和《姜子牙》起到了很好的带头作用。

《姜子牙》首日破 2 亿,一举刷新由《哪吒之魔童降世》放弃的中国影市动画电影首日票房纪录,但因其后续口碑下滑,目前已被《我和我的他乡》在口碑和票房上实现了全面的超过,如不出意外,《我和我的他乡》将会是往年国庆档的最大赢家。

从上图中咱们能够看出《我和我的他乡》在猫眼上目前有 29.6 万人评分,总体评分 9.3,能够说是一个相当不错的问题了,本文咱们爬取该片的猫眼电影评论,一起剖析下这部影片评论区的内容。

爬取

首先,咱们来爬取猫眼电影评论数据,因 PC 端只能看到猫眼上的几条评论,所以咱们要借助 APP 接口来爬取,接口格局为:http://m.maoyan.com/mmdb/comments/movie/movieid.json?_v_=yes&offset=15&startTime=xxx,两个参数阐明如下:

  • movieid:网站中每部影片的惟一 id
  • startTime:以后页面中第一条评论的工夫,每页共有 15 条评论

爬取的次要实现代码如下:

# 获取页面内容
def get_page(url):
    headers = {'user-agent': 'Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit'
                      '/604.1.38 (KHTML, like Gecko) Version/11.0 Mobile/15A372 Safari/604.1',
        'accept': '*/*'
    }
    try:
        r = requests.get(url, headers=headers)
        r.raise_for_status()
        return r.text
    except requests.HTTPError as e:
        print(e)
    except requests.RequestException as e:
        print(e)
    except:
        print("出错了")

# 解析接口返回数据
def parse_data(html):
    json_data = json.loads(html)['cmts']
    comments = []
    # 解析数据并存入数组
    try:
        for item in json_data:
            comment = []
            comment.append(item['nickName']) # 昵称
            comment.append(item['cityName'] if 'cityName' in item else '') # 城市
            comment.append(item['content'].strip().replace('\n', '')) # 内容
            comment.append(item['score']) # 星级
            comment.append(item['startTime'])
            comment.append(item['time']) # 日期
            comment.append(item['approve']) # 赞数
            comment.append(item['reply']) # 回复数
            if 'gender' in item:
                comment.append(item['gender'])  # 性别
            comments.append(comment)
        return comments
    except Exception as e:
        print(comment)
        print(e)

# 保留数据,写入 csv
def save_data(comments):
    filename = 'comments.csv'
    dataObject = pd.DataFrame(comments)
    dataObject.to_csv(filename, mode='a', index=False, sep=',', header=False, encoding='utf_8_sig')

本文咱们爬取了 2w 条左右评论数据,并将爬取的数据保留到了 csv 文件中。

数据分析

评分星级

首先,咱们看一下爬取数据中每个评分星级的比例状况,次要实现代码如下:

# 评分星级
rates = []
for s in df.iloc[:, 3]:
    rates.append(s)
sx = ["五星", "四星", "三星", "二星", "一星"]
sy = [str(rates.count(5.0) + rates.count(4.5)),
    str(rates.count(4.0) + rates.count(3.5)),
    str(rates.count(3.0) + rates.count(2.5)),
    str(rates.count(2.0) + rates.count(1.5)),
    str(rates.count(1.0) + rates.count(0.5))
]
(Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK, width='700px', height='400px'))
    .add("", list(zip(sx, sy)), radius=["40%","70%"])
    .set_global_opts(title_opts=opts.TitleOpts(title="评分星级比例", subtitle="数据起源:猫眼电影", pos_left = "left"))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%", font_size=12))
).render_notebook()

成果如下:

从图中咱们能够看出:有靠近 9 成的人给了该片 5 星,1、2、3 星总共占比只有 5% 左右,阐明该片的品质失去了大部分人的认可。

性别比例

咱们接着看评论人中的性别状况,次要实现代码如下:

# 性别比例
rates = []
for s in df.iloc[:, 8]:
    if s != 1 and s != 2:
        s = 3
    rates.append(s)
gx = ["男", "女", "未知"]
gy = [rates.count(1),
    rates.count(2),
    rates.count(3)
]
(Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK, width="700px", height="400px"))
    .add("", list(zip(gx, gy)))
    .set_global_opts(title_opts=opts.TitleOpts(title="性别比例", subtitle="数据起源:猫眼电影", pos_left = "left"))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%", font_size=12))
).render_notebook()

成果如下:

通过上图咱们能够发现:大部分人是比拟重视本人的隐衷的,没有显示本人的性别,通过性别可见的数据,咱们能够发现男人和女人在评论区的沉闷水平比拟靠近,女人略高一些。

地位散布

咱们再接着看评论人地位散布状况,先看下评论数量前 100 名的地位坐标状况,次要代码实现如下:

cities = []
for city in df.iloc[:, 1]:
    if city != "":
        cities.append(city)
data = Counter(cities).most_common(100)
gx1 = []
gy1 = []
for c in data:
    gx1.append(c[0])
    gy1.append(c[1])
geo = Geo(init_opts=opts.InitOpts(width="700px", height="400px", theme=ThemeType.DARK, bg_color="#404a59"))
(geo.add_schema(maptype="china", itemstyle_opts=opts.ItemStyleOpts(color="#323c48", border_color="#111"))
    .add("评论数量", list(zip(gx1, gy1)))
    .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(
       toolbox_opts=opts.ToolboxOpts,
       title_opts=opts.TitleOpts(title="地位散布地理坐标", subtitle="数据起源:猫眼电影", pos_left = "left"),
       visualmap_opts=opts.VisualMapOpts(max_=500, is_piecewise=True)
    )
).render_notebook()

成果如下:

上面再通过柱状图来展现一下评论数量前 15 名的城市,次要代码实现如下:

data_top15 = Counter(cities).most_common(15)
gx2 = []
gy2 = []
for c in data_top15:
    gx2.append(c[0])
    gy2.append(c[1])
(Bar(init_opts=opts.InitOpts(theme=ThemeType.CHALK, width="700px", height="400px"))
    .add_xaxis(gx2)
    .add_yaxis("", gy2)
    .set_global_opts(title_opts=opts.TitleOpts(title="城市起源 TOP15", subtitle="数据起源:猫眼电影", pos_left = "center")
    )
).render_notebook()

成果如下:

通过以上两图,咱们能够直观的看出哪些城市的人在该片下的评论数量多少,进而能够相应的理解到其对该片的感兴趣水平。

时评数量

咱们接着看 24 小时中的评论数量,次要代码实现如下:

times = df.iloc[:, 5]
hours = []
for t in times:
    hours.append(str(t[11:13]))
hdata = sorted(Counter(hours).most_common())
hx = []
hy = []
for c in hdata:
    hx.append(c[0])
    hy.append(c[1])
(Line(init_opts=opts.InitOpts(theme=ThemeType.CHALK, width="700px", height="400px"))
    .add_xaxis(hx)
    .add_yaxis("", hy, areastyle_opts=opts.AreaStyleOpts(opacity=0.5))
    .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(title_opts=opts.TitleOpts(title="24 小时评论数量", subtitle="数据起源:猫眼电影", pos_left = "center")
    )
).render_notebook()

成果如下:

从图中咱们能够看出大家在下午 ~ 晚间沉闷水平比拟高,因 19 左右是晚饭时间,这个时间段评论数量降落也合乎常理。

主要演员

咱们接着来看主要演员(包含其饰演的角色)在评论区中被提及的状况,次要代码实现如下:

cts_list = df.iloc[:, 2]
cts_str ="".join([str(i) for i in cts_list])
px = ["黄渤", "王宝强", "刘昊然", "葛优", "刘敏涛", "范伟", "张译", "邓超", "闫妮", "沈腾", "马丽"]
py = [cts_str.count("黄渤") + cts_str.count("黄大宝"), cts_str.count("王宝强") + cts_str.count("老唐"),
      cts_str.count("刘昊然") + cts_str.count("小秦"), cts_str.count("葛优") + cts_str.count("张北京"),
      cts_str.count("刘敏涛") + cts_str.count("玲子"), cts_str.count("范伟") + cts_str.count("老范"),
      cts_str.count("张译") + cts_str.count("姜后方"), cts_str.count("邓超") + cts_str.count("乔树林"),
      cts_str.count("闫妮") + cts_str.count("闫飞燕"), cts_str.count("沈腾") + cts_str.count("马亮"),
      cts_str.count("马丽") + cts_str.count("秋霞")]
(Bar(init_opts=opts.InitOpts(theme=ThemeType.CHALK, width="700px", height="400px"))
    .add_xaxis(px)
    .add_yaxis("", py)
    .set_global_opts(title_opts=opts.TitleOpts(title="主要演员及其饰演角色被提及次数", subtitle="数据起源:猫眼电影", pos_left = "center")
    )
).render_notebook()

成果如下:

从图中咱们能够看出主要演员在评论区呈现次数的前三强为:沈腾、范伟和邓超,进而阐明这几位演员的热度比拟高,在评论区引起了大家宽泛的热议。

电影单元

咱们接着看每个电影单元在评论区被提及的状况,次要代码实现如下:

mx = ["天上掉下个 UFO", "北京坏蛋", "最初一课", "回乡之路", "神笔马亮"]
my = [cts_str.count("天上掉下个 UFO"), cts_str.count("北京坏蛋"), cts_str.count("最初一课"), cts_str.count("回乡之路"), cts_str.count("神笔马亮")]
(Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK, width="700px", height="400px"))
    .add_xaxis(mx)
    .add_yaxis("", my)
    .set_global_opts(title_opts=opts.TitleOpts(title="电影单元被提及次数", subtitle="", pos_left ="center")
    )
).render_notebook()

成果如下:

从图中咱们能够看出电影单元《最初一课》被提及的次数超过了其它几个单元被提及次数的总和,进而能够看出其热度比拟高,引起了大家的共鸣,有点一枝独秀的感觉。

词云展现

整体词云

首先咱们来看一下整体评论的词云,代码实现如下:

cts_list = df.iloc[:, 2]
cts_str ="".join([str(i) for i in cts_list])
stylecloud.gen_stylecloud(text=cts_str, max_words=400,
                          collocations=False,
                          font_path="SIMLI.TTF",
                          icon_name="fas fa-home",
                          size=800,
                          output_name="total.png")
Image(filename="total.png")

成果如下:

从图中咱们能够直观的看出:难看、很难看、值的一看、不错、最初一课等被提及的次数比拟多,阐明大多数人对影片是比较满意,电影单元最初一课热度比拟高、引起了很多人的共鸣。

热评词云

最初,咱们看一下热门评论(点赞多、回复多的评论内容)的词云,代码实现如下:

hot_str = ""
for index, row in df.iterrows():
    content = row[2]
    support = row[6]
    reply = row[7]
    if(support > 30):
        hot_str += content
    elif (reply > 5):
        hot_str += content
stylecloud.gen_stylecloud(text=hot_str, max_words=200,
                          collocations=False,
                          font_path="SIMLI.TTF",
                          icon_name="fas fa-fire",
                          size=800,
                          output_name="hot.png")
Image(filename="hot.png")

成果如下:

这个热门评论的画风和之前有点不一样了,最醒目(最大)的词汇是:UFO、难看、电影倒是没看、和对象开演前十分钟离别了 … 最初这个不多说了,大家自行领会吧~

因采集的评论数据无限,可能与理论状况存在肯定的偏差,大家感性对待即可。

公众号 Python 小二 后盾回复 201005 支付源码。

正文完
 0