python系列之(4)豆瓣图书《平凡的世界》书评及情感分析
本篇主要是通过对豆瓣图书《平凡的世界》短评进行抓取并进行分析,并用snowNLP对其进行情感分析。
用到的模块有snowNLP,是一个python库,用来进行情感分析。
1.抓取数据
我们把抓取到的数据存储到sqlite,先建表,结构如下:
CREATE TABLE comment(
id integer PRIMARY KEY autoincrement NOT NULL,
commentator VARCHAR(50) NOT NULL,
star INTEGER NOT NULL,
time VARCHAR(50) NOT NULL,
content TEXT NOT NULL
);
然后写python代码进行抓取,如下:
import sys
from os import path
import time
import urllib3
import requests
import numpy as np
import sqlite3
from bs4 import BeautifulSoup
from urllib import parse
from snownlp import SnowNLP
import matplotlib.pyplot as plt
import jieba
from wordcloud import WordCloud
from PIL import Image headers=[{'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'},\
{'User-Agent':'Mozilla/5.0 (Windows NT 6.2) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.12 Safari/535.11'},\
{'User-Agent': 'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; Trident/6.0)'}] def get_comment():
page_num = 0;
total_num = 0;
while(1):
page_num +=1
url = "https://book.douban.com/subject/1200840/comments/hot?p="+str(page_num)
print(url)
http = urllib3.PoolManager()
time.sleep(np.random.rand()*5)
try:
r = http.request("GET", url, headers=headers[page_num%len(headers)])
plain_text = r.data.decode()
print(plain_text)
except Exception as e:
print(e)
continue soup = BeautifulSoup(plain_text, features="lxml")
ligroup = soup.find_all("li", class_="comment-item") for item in ligroup:
try:
commentator = item.find("div", class_="avatar").a.get("title")
spanlists = list(item.find("div", class_="comment").find("span", class_="comment-info"))
while "\n" in spanlists:
spanlists.remove("\n") if (len(spanlists) == 3) :
stars = spanlists[1].get("title")
stars = switch_case(stars)
commenttime = spanlists[2].string
else:
stars = 0
commenttime = spanlists[1].string content = item.find("span", class_="short").get_text()
add_comment(commentator, stars, commenttime, content)
except Exception as e:
print(e)
continue
page_num+=1
if page_num > 999:
break def switch_case(value):
switcher = {
"力荐":5,
"推荐":4,
"还行":3,
"较差":2,
"很差":1
}
return switcher.get(value, 0) def add_comment(commentator, star, time, content):
conn = sqlite3.connect("spider.db")
cursor = conn.cursor()
cursor.execute("insert into comment values (null, ?, ?, ?, ?)", (commentator, star, time, content))
cursor.close()
conn.commit()
conn.close()
抓取完之后可以在表中看到数据
sqlite> select count(1) from comment;
8302
sqlite> select star,count(1) from comment group by star;
0|1359
1|58
2|133
3|643
4|1875
5|4234
sqlite> select * from comment order by id desc limit 5;
8302|燊栎|4|2014-11-19|经典中的经典
8301|Jerryhere|4|2016-03-08|平凡中的不平凡
8300|麦田睡觉者|5|2012-08-12|这部小说是我上大学看的第一本小说,它带给我的震撼是无与伦比的。彻底将我从高中时看的那些yy小说里震醒。同时,它真的是一部非常好看的小说,平凡的世界里不平凡的人生,生命总是充满苦痛伤悲,这些苦难让生命愈发的沉重厚实
8299|朔望|0|2013-07-29|人生就是如此平凡
8298|mindinthesky|0|2012-09-17|不错,中国就是这样子
2.简单分析
数据抓取完了之后我们进行简单分析,看下各个星的占比

然后在把所有的comment导到文件中,进行词云分析
导出如下:
>sqlite3 -header -csv spider.db "select content from comment;" > commentall.csv
完了就会在当前目录下生成一个commentall.csv的文件
然后可以对其词云分析,代码如下:
def make_cloud():
text = open('commentall.txt', 'r', encoding='utf-8').read()
cut_text = jieba.cut(text)
result = " ".join(cut_text)
wc = WordCloud(
font_path='Deng.ttf', #字体路劲
background_color='white', #背景颜色
width=2000,
height=1200,
max_font_size=100, #字体大小
min_font_size=10,
mask=plt.imread('timg.jpeg'), #背景图片
max_words=1000
)
wc.generate(result)
wc.to_file('jielun.png') #图片保存 plt.figure('jielun') #图片显示的名字
plt.imshow(wc)
plt.axis('off') #关闭坐标
plt.show()
分析完之后的图片输出是下图:

3.情感分析
我们从打的五星和一星能清楚的看到情感,但是对零星的就不太好判断,现在主要是用snowNLP对零星的做情感分析。要想分析,就先得训练,因为目前的是针对电商的评论,不适合现在的场景,怎么训练呢?
首先,我们把5颗星的评论导出存为pos.txt,作为积极的评论,把1颗星的评论导出存为neg.txt作为消极的评论;
然后,利用pos.txt和neg.txt进行训练
最后,在利用训练完的模型对0颗星的进行分析
好了,开始吧
首先导出
>sqlite3 -header -csv spider.db "select conent from comment where star = 5 limit 100;" > pos.csv >sqlite3 -header -csv spider.db "select conent from comment where star = 1 limit 100;" > neg.csv
然后找到snownlp的安装路径,如下方法:
kumufengchunMacBook-Pro:douban kumufengchun$ python
Python 3.6.4 (default, Jun 6 2019, 17:59:50)
[GCC 4.2.1 Compatible Apple LLVM 10.0.0 (clang-1000.10.44.4)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> import snownlp
>>> snownlp
<module 'snownlp' from '/Users/kumufengchun/.pyenv/versions/3.6.4/lib/python3.6/site-packages/snownlp/__init__.py'>
找到了之后,把刚才的pos.scv和neg.csv拷贝到
/Users/kumufengchun/.pyenv/versions/3.6.4/lib/python3.6/site-packages/snownlp/sentiment/下边的pos.txt和neg.txt,为了保持名字一致,我们可以把之前的csv后缀的改为txt
然后开始用刚才导出的数据进行训练,训练完之后的输出保存为commentsentiment.marshal
from snownlp import sentiment
sentiment.train('neg.txt', 'pos.txt')
sentiment.save('commentsentiment.marshal')
然后把训练完输出的文件,在init文件中修改,文件训练完之后输出的是commentsentiment.marshal.3,后缀3是版本的意思,不用管他,在引用的时候不要加3,否则会报错,修改代码如下:
/Users/kumufengchun/.pyenv/versions/3.6.4/lib/python3.6/site-packages/snownlp/sentiment/__init__.py
data_path = os.path.join(os.path.dirname(os.path.abspath(__file__)),
'commentsentiment.marshal')
好了,训练完之后,我们可以进行简单的测试
from snownlp import SnowNLP str = "好很好"
s = SnowNLP(str)
print(s.words)
print(s.tags)
print(s.sentiments)
输出如下:
['好', '很', '好']
<zip object at 0x124963588>
0.6088772592136402
4.用训练的模型进行情感分析
代码如下:
def get_comment_bypage(offset, limit):
conn = sqlite3.connect("spider.db")
cursor = conn.cursor()
cursor.execute('select content from comment where star=0 limit ?,?', (offset, limit))
values = cursor.fetchall()
cursor.close()
conn.close()
return values def analyse_sentiment():
offset = 0
limit = 50
commentcounts = {}
while (offset < 1400):
comments = get_comment_bypage(offset, limit)
for comment in comments:
s = SnowNLP(''.join(comment))
print(s.sentiments)
sentiment = round(s.sentiments, 2)
if sentiment in commentcounts:
commentcounts[sentiment] += 1
else:
commentcounts[sentiment] = 1
offset+=limit
print(commentcounts)
return commentcounts
然后我们把所有的输出做个图如下:

可以看到每个输出所占的数量,如何判断是积极还是消极呢,一般采取0.3,大于0.3的为积极,否则为消极,也可以把之前的数据都跑一遍,定义个区间。
完整的代码如下:
import sys
from os import path
import time
import urllib3
import requests
import numpy as np
import sqlite3
from bs4 import BeautifulSoup
from urllib import parse
from snownlp import SnowNLP
import matplotlib.pyplot as plt
import jieba
from wordcloud import WordCloud
from PIL import Image headers=[{'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'},\
{'User-Agent':'Mozilla/5.0 (Windows NT 6.2) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.12 Safari/535.11'},\
{'User-Agent': 'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; Trident/6.0)'}] def get_comment():
page_num = 0;
total_num = 0;
while(1):
page_num +=1
url = "https://book.douban.com/subject/1200840/comments/hot?p="+str(page_num)
print(url)
http = urllib3.PoolManager()
time.sleep(np.random.rand()*5)
try:
r = http.request("GET", url, headers=headers[page_num%len(headers)])
plain_text = r.data.decode()
print(plain_text)
except Exception as e:
print(e)
continue soup = BeautifulSoup(plain_text, features="lxml")
ligroup = soup.find_all("li", class_="comment-item") for item in ligroup:
try:
commentator = item.find("div", class_="avatar").a.get("title")
spanlists = list(item.find("div", class_="comment").find("span", class_="comment-info"))
while "\n" in spanlists:
spanlists.remove("\n") if (len(spanlists) == 3) :
stars = spanlists[1].get("title")
stars = switch_case(stars)
commenttime = spanlists[2].string
else:
stars = 0
commenttime = spanlists[1].string content = item.find("span", class_="short").get_text()
add_comment(commentator, stars, commenttime, content)
except Exception as e:
print(e)
continue
page_num+=1
if page_num > 999:
break def switch_case(value):
switcher = {
"力荐":5,
"推荐":4,
"还行":3,
"较差":2,
"很差":1
}
return switcher.get(value, 0) def add_comment(commentator, star, time, content):
conn = sqlite3.connect("spider.db")
cursor = conn.cursor()
cursor.execute("insert into comment values (null, ?, ?, ?, ?)", (commentator, star, time, content))
cursor.close()
conn.commit()
conn.close() def get_comment_bypage(offset, limit):
conn = sqlite3.connect("spider.db")
cursor = conn.cursor()
cursor.execute('select content from comment where star=0 limit ?,?', (offset, limit))
values = cursor.fetchall()
cursor.close()
conn.close()
return values def analyse_sentiment():
offset = 0
limit = 50
commentcounts = {}
while (offset < 1400):
comments = get_comment_bypage(offset, limit)
for comment in comments:
s = SnowNLP(''.join(comment))
print(s.sentiments)
sentiment = round(s.sentiments, 2)
if sentiment in commentcounts:
commentcounts[sentiment] += 1
else:
commentcounts[sentiment] = 1
offset+=limit
print(commentcounts)
return commentcounts def make_cloud():
text = open('commentall.txt', 'r', encoding='utf-8').read()
cut_text = jieba.cut(text)
result = " ".join(cut_text)
wc = WordCloud(
font_path='Deng.ttf', #字体路劲
background_color='white', #背景颜色
width=2000,
height=1200,
max_font_size=100, #字体大小
min_font_size=10,
mask=plt.imread('timg.jpeg'), #背景图片
max_words=1000
)
wc.generate(result)
wc.to_file('jielun.png') #图片保存 plt.figure('jielun') #图片显示的名字
plt.imshow(wc)
plt.axis('off') #关闭坐标
plt.show() if __name__=='__main__':
get_comment()
analyse_sentiment()
make_cloud()
参考资料:
https://github.com/isnowfy/snownlp
https://www.cnblogs.com/mylovelulu/p/9511369.html
https://blog.csdn.net/oYeZhou/article/details/82868683
https://blog.csdn.net/hzp666/article/details/78969150
https://www.cnblogs.com/derek1184405959/p/9440526.html
python系列之(4)豆瓣图书《平凡的世界》书评及情感分析的更多相关文章
- Python爬虫-爬取豆瓣图书Top250
豆瓣网站很人性化,对于新手爬虫比较友好,没有如果调低爬取频率,不用担心会被封 IP.但也不要太频繁爬取. 涉及知识点:requests.html.xpath.csv 一.准备工作 需要安装reques ...
- Python爬虫(三)——对豆瓣图书各模块评论数与评分图形化分析
文化 经管 ....略 结论: 一个模块的评分与评论数相关,评分为 [8.8——9.2] 之间的书籍评论数往往是模块中最多的
- 【Python情感分析】用python情感分析李子柒频道视频热门评论
一.事件背景 今天是2021.12.2日,距离李子柒断更已经4个多月了,这是我在YouTube李子柒油管频道上,观看李子柒2021年7月14日上传的最后一条视频,我录制了视频下方的来自全世界各国网友的 ...
- python系列之(3)爬取豆瓣图书数据
上次介绍了beautifulsoup的使用,那就来进行运用下吧.本篇将主要介绍通过爬取豆瓣图书的信息,存储到sqlite数据库进行分析. 1.sqlite SQLite是一个进程内的库,实现了自给自足 ...
- 【Python数据分析】Python3多线程并发网络爬虫-以豆瓣图书Top250为例
基于上两篇文章的工作 [Python数据分析]Python3操作Excel-以豆瓣图书Top250为例 [Python数据分析]Python3操作Excel(二) 一些问题的解决与优化 已经正确地实现 ...
- 【Python数据分析】Python3操作Excel-以豆瓣图书Top250为例
本文利用Python3爬虫抓取豆瓣图书Top250,并利用xlwt模块将其存储至excel文件,图片下载到相应目录.旨在进行更多的爬虫实践练习以及模块学习. 工具 1.Python 3.5 2.Bea ...
- Python 2.7_利用xpath语法爬取豆瓣图书top250信息_20170129
大年初二,忙完家里一些事,顺带有人交流爬取豆瓣图书top250 1.构造urls列表 urls=['https://book.douban.com/top250?start={}'.format(st ...
- Python个人项目--豆瓣图书个性化推荐
项目名称: 豆瓣图书个性化推荐 需求简述:从给定的豆瓣用户名中,获取该用户所有豆瓣好友列表,从豆瓣好友中找出他们读过的且评分5星的图书,如果同一本书被不同的好友评5星,评分人数越多推荐度越高. 输入: ...
- python爬虫1——获取网站源代码(豆瓣图书top250信息)
# -*- coding: utf-8 -*- import requests import re import sys reload(sys) sys.setdefaultencoding('utf ...
随机推荐
- 用py3的nonlocal来打破局部变量间的作用域
nonlocal:用于局部变量,找上层中离当前函数最近一层的局部变量,找到为止,如果在全局找到或找不到,报错. 使用场景:内层函数对外层数据修改/处理
- Java下利用Jackson进行JSON解析和序列化1
Java下常见的Json类库有Gson.JSON-lib和Jackson等,Jackson相对来说比较高效,在项目中主要使用Jackson进行JSON和Java对象转换,下面给出一些Jackson的J ...
- UOJ#80. 二分图最大权匹配 模板
#80. 二分图最大权匹配 描述 提交 自定义测试 从前一个和谐的班级,有 nlnl 个是男生,有 nrnr 个是女生.编号分别为 1,…,nl1,…,nl 和 1,…,nr1,…,nr. 有若干个这 ...
- Leetcode441Arranging Coins排列硬币
你总共有 n 枚硬币,你需要将它们摆成一个阶梯形状,第 k 行就必须正好有 k 枚硬币. 给定一个数字 n,找出可形成完整阶梯行的总行数. n 是一个非负整数,并且在32位有符号整型的范围内. 示例 ...
- fore end common url
1.Fore end course 1)less http://www.bootcss.com/p/lesscss/2.Fore end official website 1)W3C(HTML/CSS ...
- light7结合jquery实现开关按钮
<!DOCTYPE html> <html> <head> <meta charset="utf-8"> <meta http ...
- CodeChef August Lunchtime 2014 题解
A题 给一个由a和b两种类型的字符组成的字符串,每次可以从中选取任意长度的回文子序列(不一定连续)并删除.问最少需要几次能将整个字符串为空. 思路:如果本身是个回文串,那么只需要一次,否则需要两次(第 ...
- Eclipse配置Maven详细教程
一.使用eclipse自带的maven插件 首先,现在下载Eclipse Mars之后的版本,基本上都自带了maven插件,无需自己再安装maven. 有几个注意点: 1.默认的本地仓库的目录是在C: ...
- ie6 png 透明的解决方法,大网站都在用
今天解决png图片在IE6下的背景透明问题,找到了一个好方法.之前的解决方案会造成错位,使页面变形.现把这个方法公布如下,本人亲测可以正常使用,如果你在使用中出现问题,请看实例中的说明(英文不精的童鞋 ...
- 易语言连接RCON详细教程实例(演示连接Unturned服务器RCON)
一.准备工作 工 具: 1.易语言 2.RCON服务端(这里我使用unturned服务器的RCON作为演示) 二.启动Unturned服务器并配置RCON 打开unturned服务器路径:F:\Unt ...