Python爬取《你好李焕英》豆瓣短评并基于SnowNLP做情感分析

爬取过程在这里：

Python爬取你好李焕英豆瓣短评并利用stylecloud制作更酷炫的词云图

本文基于前文爬取生成的douban.txt，基于SnowNLP做情感分析。

---

依赖库：

豆瓣镜像比较快：

pip install snownlp -i http://pypi.douban.com/simple/ --trusted-host=pypi.douban.com/simple

---

初识SnowNLP：

SnowNLP是一个常用的Python文本分析库，是受到TextBlob启发而发明的。由于当前自然语言处理库基本都是针对英文的，而中文没有空格分割特征词，Python做中文文本挖掘较难，后续开发了一些针对中文处理的库，例如SnowNLP、Jieba、BosonNLP等。

Snownlp主要功能包括：

• 中文分词（算法是Character-Based Generative Model）
• 词性标注（原理是TnT、3-gram 隐马）
• 情感分析
• 文本分类（原理是朴素贝叶斯）
• 转换拼音、繁体转简体
• 提取文本关键词（原理是TextRank）
• 提取摘要（原理是TextRank）、分割句子
• 文本相似（原理是BM25）

---

情感分析实战：

SnowNLP情感分析是基于情感词典实现的，其简单的将文本分为两类，积极和消极，返回值为情绪的概率，也就是情感评分在[0,1]之间，越接近1，情感表现越积极，越接近0，情感表现越消极。

下面对爬取的豆瓣电影《你好李焕英》评论进行情感分析。

情感各分数段出现频率

首先统计各情感分数段出现的评率并绘制对应的柱状图。

对douban.txt文件逐行进行情感倾向值计算，代码如下：

 1 # -*- coding: utf-8 -*-
 2 # -*- coding: utf-8 -*-
 3 from snownlp import SnowNLP
 4 import matplotlib.pyplot as plt
 5 import numpy as np
 6
 7 source = open("douban.txt","r", encoding='utf8')
 8 line = source.readlines()
 9 sentimentslist = []
10 for i in line:
11     s = SnowNLP(i)
12     print(s.sentiments)
13     sentimentslist.append(s.sentiments)
14
15
16 plt.hist(sentimentslist, bins = np.arange(0, 1, 0.01), facecolor = 'g')
17 plt.xlabel('Sentiments Probability')
18 plt.ylabel('Quantity')
19 plt.title('Analysis of Sentiments')
20 plt.show()

输出结果如下图所示：

对应的情感倾向值如下（部分）：

情感波动分析

接下来分析评论，每条评论的波动情况，代码如下所示：

 1 # -*- coding: utf-8 -*-
 2 # 区间[0,1]
 3 from snownlp import SnowNLP
 4
 5 import matplotlib.pyplot as plt
 6 import numpy as np
 7
 8 source = open("douban.txt","r", encoding='utf8')
 9 line = source.readlines()
10 sentimentslist = []
11 for i in line:
12     s = SnowNLP(i)
13     print(s.sentiments)
14     sentimentslist.append(s.sentiments)
15
16
17 plt.plot(np.arange(0, 166, 1), sentimentslist, 'b-')
18 plt.xlabel('Number')
19 plt.ylabel('Sentiment')
20 plt.title('Analysis of Sentiments')
21 plt.show()

输出结果如下所示，接近1.0代表好评，可以看出好评率很高。

改进

将情感区间从[0, 1.0]转换为[-0.5, 0.5]，这样的曲线更加直观，位于0以上的是积极评论，反之消极评论。
修改代码如下：

 1 # -*- coding: utf-8 -*-
 2 import matplotlib.pyplot as plt
 3 import numpy as np
 4
 5 from snownlp import SnowNLP
 6
 7
 8 #获取情感分数
 9 source = open("douban.txt","r", encoding='utf8')
10 line = source.readlines()
11 sentimentslist = []
12 for i in line:
13     s = SnowNLP(i)
14     print(s.sentiments)
15     sentimentslist.append(s.sentiments)
16
17 #区间转换为[-0.5, 0.5]
18 result = []
19 i = 0
20 while i<len(sentimentslist):
21     result.append(sentimentslist[i]-0.5)
22     i = i + 1
23
24 #可视化画图
25
26 plt.plot(np.arange(0, 166, 1), result, 'r-')
27 plt.xlabel('Number')
28 plt.ylabel('Sentiment')
29 plt.title('Analysis of Sentiments')
30 plt.show()

绘制图形如下所示：

可以看到0以上好评的远远超出差评。

爬取猫眼电影，此刻的《你好李焕英》票房已经超过46忆！！！