Python 爬取猫眼电影《无名之辈》并对其进行数据分析

前言

文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：罗昭成

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cef

获取猫眼接口数据

作为一个长期宅在家的程序员，对各种抓包简直是信手拈来。在 Chrome 中查看原代码的模式，可以很清晰地看到接口，接口地址即为：

http://m.maoyan.com/mmdb/comments/movie/1208282.json?_v_=yes&offset=15

在 Python 中，我们可以很方便地使用 request 来发送网络请求，进而拿到返回结果：

 def getMoveinfo(url):

     session = requests.Session()

     headers = {

         "User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X)"

     }

     response = session.get(url, headers=headers)

     if response.status_code == 200:

         return response.text

     return None

根据上面的请求，我们能拿到此接口的返回数据，数据内容有很多信息，但有很多信息是我们并不需要的，先来总体看看返回的数据：

 {

     "cmts":[

         {

             "approve":0,

             "approved":false,

             "assistAwardInfo":{

                 "avatar":"",

                 "celebrityId":0,

                 "celebrityName":"",

                 "rank":0,

                 "title":""

             },

             "authInfo":"",

             "cityName":"贵阳",

             "content":"必须十分，借钱都要看的一部电影。",

             "filmView":false,

             "id":1045570589,

             "isMajor":false,

             "juryLevel":0,

             "majorType":0,

             "movieId":1208282,

             "nick":"nick",

             "nickName":"nickName",

             "oppose":0,

             "pro":false,

             "reply":0,

             "score":5,

             "spoiler":0,

             "startTime":"2018-11-22 23:52:58",

             "supportComment":true,

             "supportLike":true,

             "sureViewed":1,

             "tagList":{

                 "fixed":[

                     {

                         "id":1,

                         "name":"好评"

                     },

                     {

                         "id":4,

                         "name":"购票"

                     }

                 ]

             },

             "time":"2018-11-22 23:52",

             "userId":1871534544,

             "userLevel":2,

             "videoDuration":0,

             "vipInfo":"",

             "vipType":0

         }

     ]

 }

如此多的数据，我们感兴趣的只有以下这几个字段：

nickName, cityName, content, startTime， score

接下来，进行我们比较重要的数据处理，从拿到的 JSON 数据中解析出需要的字段：

 def parseInfo(data):

     data = json.loads(html)['cmts']

     for item in data:

         yield{

             'date':item['startTime'],

             'nickname':item['nickName'],

             'city':item['cityName'],

             'rate':item['score'],

             'conment':item['content']

         }

拿到数据后，我们就可以开始数据分析了。但是为了避免频繁地去猫眼请求数据，需要将数据存储起来，在这里，笔者使用的是 SQLite3，放到数据库中，更加方便后续的处理。存储数据的代码如下：

 def saveCommentInfo(moveId, nikename, comment, rate, city, start_time)

     conn = sqlite3.connect('unknow_name.db')

     conn.text_factory=str

     cursor = conn.cursor()

     ins="insert into comments values (?,?,?,?,?,?)"

     v = (moveId, nikename, comment, rate, city, start_time)

     cursor.execute(ins,v)

     cursor.close()

     conn.commit()

     conn.close()

数据处理

因为前文我们是使用数据库来进行数据存储的，因此可以直接使用 SQL 来查询自己想要的结果，比如评论前五的城市都有哪些：

SELECT  city, count(*) rate_count  FROM comments GROUP BY city ORDER BY rate_count DESC LIMIT 5

结果如下：

从上面的数据，我们可以看出来，来自北京的评论数最多。

不仅如此，还可以使用更多的 SQL 语句来查询想要的结果。比如每个评分的人数、所占的比例等。如笔者有兴趣，可以尝试着去查询一下数据，就是如此地简单。

而为了更好地展示数据，我们使用 Pyecharts 这个库来进行数据可视化展示。

根据从猫眼拿到的数据，按照地理位置，直接使用 Pyecharts 来在中国地图上展示数据：

 data = pd.read_csv(f,sep='{',header=None,encoding='utf-8',names=['date','nickname','city','rate','comment'])

 city = data.groupby(['city'])

 city_com = city['rate'].agg(['mean','count'])

 city_com.reset_index(inplace=True)

 data_map = [(city_com['city'][i],city_com['count'][i]) for i in range(0,city_com.shape[0])]

 geo = Geo("GEO 地理位置分析",title_pos = "center",width = 1200,height = 800)

 while True:

     try:

         attr,val = geo.cast(data_map)

         geo.add("",attr,val,visual_range=[0,300],visual_text_color="#fff",

                 symbol_size=10, is_visualmap=True,maptype='china')

 

     except ValueError as e:

         e = e.message.split("No coordinate is specified for ")[1]

         data_map = filter(lambda item: item[0] != e, data_map)

     else :

         break

 geo.render('geo_city_location.html')

注：使用 Pyecharts 提供的数据地图中，有一些猫眼数据中的城市找不到对应的从标，所以在代码中，GEO 添加出错的城市，我们将其直接删除，过滤掉了不少的数据。

使用 Python，就是如此简单地生成了如下地图：

从可视化数据中可以看出，既看电影又评论的人群主要分布在中国东部，又以北京、上海、成都、深圳最多。虽然能从图上看出来很多数据，但还是不够直观，如果想看到每个省/市的分布情况，我们还需要进一步处理数据。

而在从猫眼中拿到的数据中，城市包含数据中具备县城的数据，所以需要将拿到的数据做一次转换，将所有的县城转换到对应省市里去，然后再将同一个省市的评论数量相加，得到最后的结果。

 data = pd.read_csv(f,sep='{',header=None,encoding='utf-8',names=['date','nickname','city','rate','comment'])

 city = data.groupby(['city'])

 city_com = city['rate'].agg(['mean','count'])

 city_com.reset_index(inplace=True)

 fo = open("citys.json",'r')

 citys_info = fo.readlines()

 citysJson = json.loads(str(citys_info[0]))

 data_map_all = [(getRealName(city_com['city'][i], citysJson),city_com['count'][i]) for i in range(0,city_com.shape[0])]

 data_map_list = {}

 for item in data_map_all:

     if data_map_list.has_key(item[0]):

         value = data_map_list[item[0]]

         value += item[1]

         data_map_list[item[0]] = value

     else:

         data_map_list[item[0]] = item[1]

 data_map = [(realKeys(key), data_map_list[key] ) for key in data_map_list.keys()]

 def getRealName(name, jsonObj):

     for item in jsonObj:

         if item.startswith(name) :

             return jsonObj[item]

     return name

 def realKeys(name):

     return name.replace(u"省", "").replace(u"市", "")

                .replace(u"回族自治区", "").replace(u"维吾尔自治区", "")

                .replace(u"壮族自治区", "").replace(u"自治区", "")

经过上面的数据处理，使用 Pyecharts 提供的 map 来生成一个按省/市来展示的地图：

 def generateMap(data_map):

     map = Map("城市评论数", width= 1200, height = 800, title_pos="center")

     while True:

         try:

             attr,val = geo.cast(data_map)

             map.add("",attr,val,visual_range=[0,800],

                     visual_text_color="#fff",symbol_size=5,

                     is_visualmap=True,maptype='china',

                     is_map_symbol_show=False,is_label_show=True,is_roam=False,

                     )

         except ValueError as e:

             e = e.message.split("No coordinate is specified for ")[1]

             data_map = filter(lambda item: item[0] != e, data_map)

         else :

             break

     map.render('city_rate_count.html')

当然，我们还可以来可视化一下每一个评分的人数，这个地方采用柱状图来显示：

 data = pd.read_csv(f,sep='{',header=None,encoding='utf-8',names=['date','nickname','city','rate','comment'])

 # 按评分分类

 rateData = data.groupby(['rate'])

 rateDataCount = rateData["date"].agg([ "count"])

 rateDataCount.reset_index(inplace=True)

 count = rateDataCount.shape[0] - 1

 attr = [rateDataCount["rate"][count - i] for i in range(0, rateDataCount.shape[0])]

 v1 = [rateDataCount["count"][count - i] for i in range(0, rateDataCount.shape[0])]

 bar = Bar("评分数量")

 bar.add("数量",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,

         xaxis_interval=0,is_splitline_show=True)

 bar.render("html/rate_count.html")

画出来的图，如下所示，在猫眼的数据中，五星好评的占比超过了 50%，比豆瓣上 34.8% 的五星数据好很多。

从以上观众分布和评分的数据可以看到，这一部剧，观众朋友还是非常地喜欢。前面，从猫眼拿到了观众的评论数据。现在，笔者将通过 jieba 把评论进行分词，然后通过 Wordcloud 制作词云，来看看，观众朋友们对《无名之辈》的整体评价：

 data = pd.read_csv(f,sep='{',header=None,encoding='utf-8',names=['date','nickname','city','rate','comment'])

 comment = jieba.cut(str(data['comment']),cut_all=False)

 wl_space_split = " ".join(comment)

 backgroudImage = np.array(Image.open(r"./unknow_3.png"))

 stopword = STOPWORDS.copy()

 wc = WordCloud(width=1920,height=1080,background_color='white',

     mask=backgroudImage,

     font_path="./Deng.ttf",

     stopwords=stopword,max_font_size=400,

     random_state=50)

 wc.generate_from_text(wl_space_split)

 plt.imshow(wc)

 plt.axis("off")

 wc.to_file('unknow_word_cloud.png')

导出：

巴特西

Python 爬取猫眼电影《无名之辈》并对其进行数据分析

前言

获取猫眼接口数据

数据处理

最新文章

热门文章