背景

最近几年猫眼电影越来越热门了，都差不多和豆瓣并驾齐驱了。今年的《流浪地球》这么火，通过爬取猫眼电影上网友对该片的评价如何。

爬取猫眼评论

找到评论网页地址

先打开猫眼官网找到《流浪地球》的介绍页面：

虽然显示有112.4万人评分，但是页面只有热门短评，其他评论都去哪里了，手机明明是有的。

那么我们用chrome切换到手机页面：

• 打开开发者工具
• 开启手机浏览功能
• 访问手机版地址：$from=canary#

这时候我们就看到了所有的评论。

获取评论请求地址

在点击打开“查看全部330613条讨论”后，发现评论分为最热和最新两部分，最热数量有限，而最新则是未经过处理的，也正是我们需要的。通过search来查看下对应的请求：

发现，在chrome 的网络展示中发现只有一个类型为document的请求包含了所需的信息。那么这部分的评论获取就需要解析网页了，我们再把屏幕上的评论往下拉，发现会自动加载更多的评论，对应的chrome网络请求多出来了两个comments.json的请求：

果然这才是我们需要的！把初始页面的url和这两个json请求的url复制到一起比较一下：

http://m.maoyan.com/review/v2/comments.json?movieId=248906&userId=-1&offset=0&limit=15&ts=0&type=3http://m.maoyan.com/review/v2/comments.json?movieId=248906&userId=-1&offset=15&limit=15&ts=1549965527295&type=3http://m.maoyan.com/review/v2/comments.json?movieId=248906&userId=-1&offset=30&limit=15&ts=1549965527295&type=3

我们可以发现规律：

• 初始页面的ts值为0，随后会有ts值，且保持不变。这里的ts是当前的时间戳，可以通过转换工具查看：

• offset是请求评论开始的序号，limit为请求的条数

再看返回的json结果：

• data.comments中是评论的具体内容
• paging中通过hasMore来告诉我们是否还有更多（判断是否继续抓取）

我们再尝试下将offset设置为0，也加上ts参数：

http://m.maoyan.com/review/v2/comments.json?movieId=248906&userId=-1&offset=0&limit=15&ts=1549965527295&type=3

发现也是可以获取数据的：

那么通过offset和limit来控制每次请求获取的数量。

我们还可以通过加大limit参数来尝试，是否可以一次性获取更多的评论:

http://m.maoyan.com/review/v2/comments.json?movieId=248906&userId=-1&offset=0&limit=30&ts=1549965527295&type=3

效果如下:

再增加limit的值，会发现评论数回到了15条，可见猫眼系统仅支持每次最多获取30条。

构造请求url 方法一

根据上面的分析，我们构造请求的url就很明确了：

• 从offset=0&limit=30开始
• 通过返回的paging.hasMore来判断是否继续抓取
• 下一个抓取的url中offset+=limit

只能抓取1000条？！

根据上述分析，在返回的json数据中是可以看到总评论数的，但是实际抓取的时候，在offset超过1000之后，返回的数据中hasMore就变成了false。

于是尝试通过浏览器一直下拉刷新，到达offset超过1000的情况，发现页面会不停的发送请求，但也无法获取数据。

那应该就是网站做了控制，不允许offset超过1000。

构造请求URL 方法二

那么就要考虑其他构造url的方法来抓取了。先观察下每个请求返回的信息：

发现每个comment里都包含有一个time信息，把time做一下处理：

2019-02-13 13:38:00##感觉韩朵朵这个人设是多余的2019-02-13 13:38:00##真的感动 非常棒2019-02-13 13:38:00##这电影大陆的起航2019-02-13 13:38:00##不怎么样，剧情挺感人，但是有点尴尬2019-02-13 13:37:00##好看。。。。。。。。。。2019-02-13 13:37:00##超级超级超级超级超级超级超级好看2019-02-13 13:37:00##太牛逼了，中国科幻片可有一部能看的了。支持吴京2019-02-13 13:36:00##不错！中国科幻的希望2019-02-13 13:36:00##中国里程碑式的科幻电影。2019-02-13 13:36:00##什么垃圾座位没人管的么乱坐的

可以发现后台是按照时间顺序的，每分钟一个间隔，那么就可以考虑根据每次返回comment中的时间来更新url中的ts即可。

由于不确定每次请求返回的数据中包含了多长的时间段，且返回的第一个评论时间戳与第二个评论是不同的，所以抓取思路如下：

• 获取请求数据
• 记录第一个时间戳
• 记录第二个时间戳
• 当遇到第三个时间戳时，将ts设置为第二个时间戳，重新构造url
• 如果单次抓取中每遇到第三个时间戳，则通过修改offset来继续抓取，直到遇到第三个时间戳

抓取实现

根据上面思路，实现相对就比较简单了：

• 生成url

  def get_url():    global offset    url = 'http://m.maoyan.com/review/v2/comments.json?movieId=' + movieId + '&userId=-1&offset=' + str(        offset) + '&limit=' + str(limit) + '&ts=' + str(ts) + '&type=3'    return url

• 访问url

  def open_url(url):    global ua    try:        headers = {'User-Agent': ua.random}        response = requests.get(url, headers=headers)        if response.status_code == 200:            return response.text        else:            return None    except Exception as e:        print(e)        return None

• 数据处理：将评论保存并判断是否要继续抓取

  def parse_json(data):    global count    global offset    global limit    global ts    ts_duration = ts    res = json.loads(data)    comments = res['data']['comments']    for comment in comments:        comment_time = comment['time']        if ts == 0:            ts = comment_time            ts_duration = comment_time        if comment_time != ts and ts == ts_duration:            ts_duration = comment_time        if comment_time !=ts_duration:            ts = ts_duration            offset = 0            return get_url()        else:            content = comment['content'].strip().replace('\n', '。')            print('get comment ' + str(count))            count += 1            write_txt(time.strftime("%Y-%m-%d %H:%M:%S",time.localtime(comment_time/1000)) + '##' + content + '\n')    if res['paging']['hasMore']:        offset += limit        return get_url()    else:        return None

最后一共抓取评论131106条，足够做各种分析了

2019-02-13 18:13:11,625 - get_comments.py[line:78] - INFO: get comment 1311042019-02-13 18:13:11,729 - get_comments.py[line:78] - INFO: get comment 1311052019-02-13 18:13:11,827 - get_comments.py[line:78] - INFO: get comment 1311062019-02-13 18:13:15,416 - get_comments.py[line:98] - INFO: end

数据分析

按日期汇总分析热度

前面我们再抓取时，将评论的时间和内容通过csv的格式保存下来，并使用;分割。读取csv文件并统计处理就要用到大名鼎鼎的pandas了。

• 读取数据

  pandas提供read_csv方法来直接独处数据保存为DateFrame格式。

  df = pd.read_csv('comment.csv', sep=';', header=None)

• 设置数据列名

  由于我们知道数据有两列，先通过这只列名可以方便后续引用。

  df.columns = ['date', 'comment']

• 时间日期处理

  在date列，我们保存的数据格式是string，需要把转换为日期格式才能进一步处理。

  df['date'] = pd.to_datetime(df['date'])

  我们需要按时间来统计，所以把date列设置为index:

  df = df.set_index('date')

• 日期筛选

  由于我们知道《流浪地球》是2月5日上映的，我们可以对日期进行限定，以免出现有些在上映前的评论，会占用大段的空白情况。

  设置index之后，可以参考list类型操作，由于时间是倒序的，所以可以直接使用[:'2019-02-04']来选取2月4日之后到今天的所有数据。pandas在数据筛选方面相当智能，按照datetime的格式直接筛选即可。

  cacu_df = df[:'2019-02-04']

• 按日期进行数量统计

  pandas中，通过resample方法进行重新采样，通过传入rule参数就可以按需要的频率获取数据，获得一个resampler对象。

  DataFrame.resample(rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None)

  resampler对象提供了很多的统计方法，比如汇总求和可使用Resampler.count()。

  # 按日统计数量cacu = cacu_df.resample('D').count()

  这样就完成了按日期求和统计操作。

• 绘图

  画图需要使用matplotlib库，通过导入该库，可直接对DateFrame对象进行画图处理。画图及图表格式化如下：

  # 设置中文字体font = FontProperties(fname='/System/Library/Fonts/PingFang.ttc')plt.plot(cacu)plt.title("流浪地球评论分析", fontproperties=font)plt.xlabel("日期", fontproperties=font)plt.ylabel("评论数", fontproperties=font)plt.axis("tight")# 显示网格plt.grid(True)# 自动旋转横轴日期plt.gcf().autofmt_xdate()# 显示数值for a, b in zip(cacu.index, cacu.values):plt.text(a, b, str(b[0]))# 保存图片plt.savefig('comment_analysis.png')# 查看图片plt.show()

• 分析结果

  结果如下：

  

  可见从上映之后，关注度直线飙升，到2月10日之后（上映5天），大家关注度逐渐下降。其中2月14日为情人节，大家的关注又有了小幅的上升。也许很多人在这天通过看《流浪地球》过节吧。

制作评论热点图云

• 数据清洗

  首先由于评论是用户发表的，可能什么字符都会有，要先把一些特殊符号去掉，这里就用到了正则替换：

  msg = re.sub("[\s+\.\!\/_,$%^*()+\"\'\?]+|[+——！，。？、~@#￥%……&*（）【】；：]+|\[.+\]|\［.+\］", "", line)

• 分词与标签

  清洗后的数据，可以使用jieba分词包来进行分词，并把所有的分词保存在一个list中，然后计算出每个分词出现的次数。

  # 分词tags = jieba.analyse.extract_tags(msg)for t in tags:    word_list.append(t)# 计算词频for word in word_list:    if word not in word_dict:        word_dict[word] = 1    else:        word_dict[word] += 1

• 生成词云

  使用wordcloud包，就可以很方便的生成词云图片了。

  先新建一个WordCloud对象，进行配置，然后利用前面的分词词频就可以生成对应的图片了。

  # 计算图片颜色alice_coloring = np.array(img)my_wordcloud = WordCloud(background_color="white",                             max_words=500, mask=alice_coloring,                             max_font_size=200, random_state=42,                             font_path=(os.path.join(d, "font/msyh.ttf")))                             my_wordcloud = my_wordcloud.generate_from_frequencies(wordList)

  这里需要注意的是：

  • mask=alice_coloring：这里通过numpy将图片矩阵化，来获取图片的颜色作为WordCloud的mask，是为了最后生成的图云不仅外形与我们输入的图片保持一致，而且整体颜色也保持一致。
  • 输入的原图，背景色需要设置为白色而不是透明色，否则会全屏幕都是字。。。
  • 对于中文的词云，需要制定中文的字体，这里用的是微软雅黑

• 保存图片

  最后使用matplotlib.pyplot来保存图片，保存前要进行图片属性的一些设置。

  width = img.width/80height = img.height/80plt.figure(figsize=(width, height))plt.imshow(my_wordcloud.recolor(color_func=image_colors))plt.imshow(my_wordcloud)plt.axis("off")# 通过设置subplots_adjust来控制画面外边框plt.subplots_adjust(bottom=.01, top=.99, left=.01, right=.99)plt.savefig("jupiter_wordcloud_1.png")plt.show()

  这里需要注意的是： 建议根据原图片的长宽比例进行一定的缩小，以免生成的图片像素过大而产生报错。

  ValueError: Image size of 98400x46500 pixels is too large. It must be less than 2^16 in each direction.

• 词云展示

  

  放一张原图，你能看的出来嘛，抠图技术有限O(∩_∩)O哈哈~

  

以上就是使用抓取的评论生成词云的大致思路，完成的实现代码请见：

如果有更好的方法，欢迎一起探讨。