前言
昨晚，焚香、沐浴、更衣!怀着朝圣般的心情。就像灭霸一样!去看了妇联4的终局之战。不得不说，票价有点小贵，整体效果还算可以，就是剧情有点懵逼。中间眯了几下(时长真的有点长)，本来想玩玩手机，环顾四周看大家都这么认真的样子，默默的收了起来，请原谅我这小白。
截止目前，《妇联4》已上映2天，今晚累计票房突破 10 亿应该是妥妥的，豆瓣评分 9.0 分。
爬取
主要是想知道这爆米花电影(其实，环顾四周没有一个人吃爆米花)大家都有什么评价，这里主要是爬取《妇联4》的好、中、差短评并分词分析。
爬取数据：
__author__ = 小柒
__blog__ = https://blog.52itstyle.vip/
import os
# 导入requests库
import requests
# 导入文件操作库
import codecs
from bs4 import BeautifulSoup
# 给请求指定一个请求头来模拟chrome浏览器
global headers
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36',
'cookie': 'networkwww.douban.comheaders查看cookie'}
# 好评，中评，差评
# https://movie.douban.com/subject/26100958/comments?start=0limit=20sort=new_scorestatus=Ppercent_type=h
# https://movie.douban.com/subject/26100958/comments?start=0limit=20sort=new_scorestatus=Ppercent_type=m
# https://movie.douban.com/subject/26100958/comments?start=0limit=20sort=new_scorestatus=Ppercent_type=l
server = 'https://movie.douban.com/subject/26100958/comments'
# 定义存储位置
global save_path
save_path = os.getcwd()+\\Text\\+'复仇者联盟4短评_好评.txt'
global page_max
# 好评 自行计算页码
page_max = 252 # 500 短评论，后面就看不到了，不知道是否豆瓣有意而为之给隐藏了,哈哈哈原来是没登录导致的。
global comments
comments = ''
# 获取短评内容
def get_comments(page):
req = requests.get(url=page)
html = req.content
html_doc = str(html, 'utf-8')
bf = BeautifulSoup(html_doc, 'html.parser')
comment = bf.find_all(class_=short)
for short in comment:
global comments
comments = comments + short.text
# 写入文件
def write_txt(chapter, content, code):
with codecs.open(chapter, 'a', encoding=code)as f:
f.write(content)
# 主方法
def main():
for i in range(0, page_max):
try:
page = server + '?start='+str(i*20)+'limit=20sort=new_scorestatus=Ppercent_type=h'
get_comments(page)
write_txt(save_path, comments, 'utf8')
except Exception as e:
print(e)
if __name__ == '__main__':
main()
最终爬取完成，好评文件居然有足足的 200MB，而中评和差评加起来才 20MB 左右。
分析数据：
使用结巴中文分词第三方库来进行高频分析。
import jieba
import os
txt = open(os.getcwd()+\\Text\\+复仇者联盟4短评_差评.txt, r, encoding='utf-8').read()
words = jieba.lcut(txt)
counts = {}
for word in words:
if len(word) == 1:
continue
else:
counts[word] = counts.get(word, 0) + 1
items = list(counts.items())
items.sort(key=lambda x: x[1], reverse=True)
for i in range(0, 10):
word, count = items[i]
print({0:6}{1:6}.format(word, count))
词云图
差评：
中评：
差评都不带一个脏字，好评就不再贴了(真正原因是分词统计的时候内存爆掉了)。
小结
如果你不是漫威的迷，劝你还是不要去了。突然某个情节周围一片欢呼，会让你觉得自己是个*，对，我就是那个*!!!