Python爬取豆瓣《复仇者联盟3》评论并生成乖萌的格鲁特

小程序：扫一扫查出行
【扫一扫了解最新限行尾号】
复制小程序

代码地址如下：
http://www.demodashi.com/demo/13257.html

1. 需求说明

本项目基于Python爬虫，爬取豆瓣电影上关于复仇者联盟3的所有影评，并保存至本地文件。然后对影评进行分词分析，使用词云生成树人格鲁特的形象照片。

2. 代码实现

此部分主要解释Python爬虫部分及使用词云生成图像的代码

Python爬虫

首先获取需要爬取的网页地址，然后通过requests.get()方式去获取网页，代码如下：

# 获取网页 def getHtml(url): try: r = requests.get(url, timeout=30) r.raise_for_status() return r.text except: return ''

获取到网页之后，对网页中的元素进行正则匹配，找到评论相关的元素，并获取。

# 获取某个网页中的影评 def getComment(html): soup = BeautifulSoup(html, 'html.parser') comments_list = [] comment_nodes = soup.select('.comment > p') for node in comment_nodes: comments_list.append(node.get_text().strip().replace("\n", "") + u'\n') return comments_list

将爬取到的影评保存至文本文件中，以备后续分析使用。

def saveCommentText(fpath): pre_url = "https://movie.douban.com/subject/24773958/comments?" depth = 8 with open(fpath, 'a', encoding='utf-8') as f: for i in range(depth): url = pre_url + 'start=' + str(20 * i) + '&limit=20&sort=new_score&' + 'status=P' html = getHtml(url) f.writelines(getComment(html)) time.sleep(1 + float(random.randint(1, 20)) / 20)

基于词云生成图像

注释比较详细，可以看注释说明

def drawWordcloud(): with codecs.open('text.txt', encoding='utf-8') as f: comment_text = f.read() # 设置背景图片,可替换为img目录下的任何一张图片 color_mask = imread("img\Groot4.jpeg") # 停用词设置 Stopwords = [u'就是', u'电影', u'你们', u'这么', u'不过', u'但是', u'除了', u'时候', u'已经', u'可以', u'只是', u'还是', u'只有', u'不要', u'觉得', u'，'u'。'] # 设置词云属性 cloud = WordCloud(font_path="simhei.ttf", background_color='white', max_words=260, max_font_size=150, min_font_size=4, mask=color_mask, stopwords=Stopwords) # 生成词云, 可以用generate输入全部文本,也可以我们计算好词频后使用generate_from_frequencies函数 word_cloud = cloud.generate(comment_text) # 从背景图片生成颜色值(注意图片的大小) image_colors = ImageColorGenerator(color_mask) # 显示图片 plt.imshow(cloud) plt.axis("off") # 绘制词云 plt.figure() plt.imshow(cloud.recolor(color_func=image_colors)) plt.axis("off") plt.figure() plt.imshow(color_mask, cmap=plt.cm.gray) plt.axis("off") plt.show() # 保存图片 word_cloud.to_file("img\comment_cloud.jpg")

为了方便阅读，这里贴出整体过程编码：

def getHtml(url): try: r = requests.get(url, timeout=30) r.raise_for_status() return r.text except: return ''def getComment(html): soup = BeautifulSoup(html, 'html.parser') comments_list = [] comment_nodes = soup.select('.comment > p') for node in comment_nodes: comments_list.append(node.get_text().strip().replace("\n", "") + u'\n') return comments_listdef saveCommentText(fpath): pre_url = "https://movie.douban.com/subject/24773958/comments?" depth = 8 with open(fpath, 'a', encoding='utf-8') as f: for i in range(depth): url = pre_url + 'start=' + str(20 * i) + '&limit=20&sort=new_score&' + 'status=P' html = getHtml(url) f.writelines(getComment(html)) time.sleep(1 + float(random.randint(1, 20)) / 20)def cutWords(fpath): text = '' with open(fpath, 'r', encoding='utf-8') as fin: for line in fin.readlines(): line = line.strip('\n') text += ' '.join(jieba.cut(line)) text += ' ' with codecs.open('text.txt', 'a', encoding='utf-8') as f: f.write(text)def drawWordcloud(): with codecs.open('text.txt', encoding='utf-8') as f: comment_text = f.read() # 设置背景图片 color_mask = imread("img\Groot4.jpeg") # 停用词设置 Stopwords = [u'就是', u'电影', u'你们', u'这么', u'不过', u'但是', u'除了', u'时候', u'已经', u'可以', u'只是', u'还是', u'只有', u'不要', u'觉得', u'，'u'。'] # 设置词云属性 cloud = WordCloud(font_path="simhei.ttf", background_color='white', max_words=260, max_font_size=150, min_font_size=4, mask=color_mask, stopwords=Stopwords) # 生成词云, 可以用generate输入全部文本,也可以我们计算好词频后使用generate_from_frequencies函数 word_cloud = cloud.generate(comment_text) # 从背景图片生成颜色值(注意图片的大小) image_colors = ImageColorGenerator(color_mask) # 显示图片 plt.imshow(cloud) plt.axis("off") # 绘制词云 plt.figure() plt.imshow(cloud.recolor(color_func=image_colors)) plt.axis("off") plt.figure() plt.imshow(color_mask, cmap=plt.cm.gray) plt.axis("off") plt.show() # 保存图片 word_cloud.to_file("img\comment_cloud.jpg")