爬虫综合大作业——网易云音乐爬虫 & 数据可视化分析

作业要求来自于https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/3075

爬虫综合大作业

1. 选择一个热点或者你感兴趣的主题。
2. 选择爬取的对象与范围。
3. 了解爬取对象的限制与约束。
4. 爬取相应内容。
5. 做数据分析与文本分析。
6. 形成一篇文章，有说明、技术要点、有数据、有数据分析图形化展示与说明、文本分析图形化展示与说明。
7. 文章公开发布。

1. 数据爬取

我们本次爬取的对象是一首名为《five hours》的经典电音流行歌曲，Five Hours是Erick Orrosquieta于2014年4月发行的单曲，当年这首单曲就出现在奥地利，比利时，法国，荷兰，挪威，瑞典和瑞士的榜单中。

       作者Erick Orrosquieta，一般为人熟知的是他的艺名Deorro，2014年世界百大DJ排名十九位。1991年8月29日生于美国洛杉矶，墨西哥血统的音乐制作人，签约Ultra Records，2014年他创立了唱片公司Panda Funk。Deorro以前用过TON!C这个名字。Deorro的音乐倾向Melbourne Bounce风格，融合Dutch、 moombah, progressive、 house、贝斯等多种元素和风格，几分钟就可以点炸现场气氛。他的这首单曲“Five Hours”登顶Most Played on Dance Radio和Most Played on Top 40 radio Mixshows。

而在爬虫部分主要是调用官方API，本次用到的API主要有两个：

①获取评论:
http://music.163.com/api/v1/resource/comments/R_SO_4_{歌曲ID}?limit={每页限制数量}&offset={评论数总偏移}

②获取评论对应用户的信息:
https://music.163.com/api/v1/user/detail/{用户ID}

完成后的项目文件图如下：

1.1 评论爬取

具体代码如下：

 from urllib import request
 import json
 import pymysql
 from datetime import datetime
 import re

 ROOT_URL = 'http://music.163.com/api/v1/resource/comments/R_SO_4_%s?limit=%s&offset=%s'
 LIMIT_NUMS = 50    # 每页限制爬取数
 DATABASE = 'emp'    # 数据库名
 TABLE = 'temp1'    # 数据库表名
 # 数据表设计如下：
 '''
 commentId(varchar)
 content(text)         likedCount(int)
 userId(varchar)    time(datetime)
 '''
 PATTERN = re.compile(r'[\n\t\r\/]') # 替换掉评论中的特殊字符以防插入数据库时报错

 def getData(url):
     if not url:
         return None, None
     headers = {
             "User-Agent": 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36',
             "Host": "music.163.com",
 }
     print('Crawling>>> ' + url)
     try:
         req = request.Request(url, headers=headers)
         content = request.urlopen(req).read().decode("utf-8")
         js = json.loads(content)
         total = int(js['total'])
         datas = []
         for c in js['comments']:
             data = dict()
             data['commentId'] = c['commentId']
             data['content'] = PATTERN.sub('', c['content'])
             data['time'] = datetime.fromtimestamp(c['time']//1000)
             data['likedCount'] = c['likedCount']
             data['userId'] = c['user']['userId']
             datas.append(data)
         return total, datas
     except Exception as e:
         print('Down err>>> ', e)
         pass

 def saveData(data):
     if not data:
         return None
     conn = pymysql.connect(host='localhost', user='root', passwd='', db='emp', charset='utf8mb4') # 注意字符集要设为utf8mb4，以支持存储评论中的emoji表情
     cursor = conn.cursor()
     sql = 'insert into ' + TABLE + ' (commentId,content,likedCount,time,userId) VALUES (%s,%s,%s,%s,%s)'

     for d in data:

         try:
             #cursor.execute('SELECT max(c) FROM '+TABLE)
             #id_ = cursor.fetchone()[0]

             cursor.execute(sql, (d['commentId'], d['content'], d['likedCount'], d['time'], d['userId']))
             conn.commit()
         except Exception as e:
             print('mysql err>>> ',d['commentId'],e)
             pass

     cursor.close()
     conn.close()    

 if __name__ == '__main__':
     songId = input('歌曲ID：').strip()
     total,data = getData(ROOT_URL%(songId, LIMIT_NUMS, 0))
     saveData(data)
     if total:
         for i in range(1, total//50+1):
                 _, data = getData(ROOT_URL%(songId, LIMIT_NUMS, i*(LIMIT_NUMS)))
                 saveData(data)

实际操作过程中，网易云官方对于API的请求是有限制的，有条件的可以采用更换代理IP来防反爬，而这一次作业在爬取数据的时候由于前期操作过度，导致被BAN IP，数据无法获取，之后是通过挂载虚拟IP才实现数据爬取的。

本次采用的是单线程爬取，所以IP封的并不太频繁，后面会对代码进行重构，实现多线程+更换IP来加快爬取速度。

根据获取评论的API，请求URL有3个可变部分：每页限制数limit和评论总偏移量offset，通过API分析得知：当offeset=0时，返回json数据中包含有评论总数量total。

本次共爬取5394条数据（避免盲目多爬被封ID）

1.2 用户信息爬取

具体代码如下：

 from urllib import request
 import json
 import pymysql
 import re

 ROOT_URL = 'https://music.163.com/api/v1/user/detail/'
 DATABASE = 'emp'
 TABLE_USERS = 'temp2'
 TABLE_COMMENTS = 'temp1'
 # 数据表设计如下：
 '''
 id(int)                userId(varchar)
 gender(char)         userName(varchar)
 age(int)            level(int)
 city(varchar)        sign(text)
 eventCount(int)    followedCount(int)
 followsCount(int)    recordCount(int)
 avatar(varchar)
 '''
 PATTERN = re.compile(r'[\n\t\r\/]') # 替换掉签名中的特殊字符以防插入数据库时报错
 headers = {
             "User-Agent": 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36',
             "Host": "music.163.com",
 }
 def getData(url):
     if not url:
         return None
     print('Crawling>>> ' + url)
     try:
         req = request.Request(url, headers=headers)
         content = request.urlopen(req).read().decode("utf-8")
         js = json.loads(content)
         data = {}
         if js['code'] == 200:
             data['userId'] = js['profile']['userId']
             data['userName'] = js['profile']['nickname']
             data['avatar'] = js['profile']['avatarUrl']
             data['gender'] = js['profile']['gender']
             if int(js['profile']['birthday'])<0:
                 data['age'] = 0
             else:
                 data['age'] =(2018-1970)-(int(js['profile']['birthday'])//(1000*365*24*3600))
             if int(data['age'])<0:
                 data['age'] = 0
             data['level'] = js['level']
             data['sign'] = PATTERN.sub(' ', js['profile']['signature'])
             data['eventCount'] = js['profile']['eventCount']
             data['followsCount'] = js['profile']['follows']
             data['followedCount'] = js['profile']['followeds']
             data['city'] = js['profile']['city']
             data['recordCount'] = js['listenSongs']

             saveData(data)
     except Exception as e:
         print('Down err>>> ', e)
         pass
     return None

 def saveData(data):
     if not data:
         return None
     conn = pymysql.connect(host='localhost', user='root', passwd='', db='emp', charset='utf8mb4') # 注意字符集要设为utf8mb4，以支持存储签名中的emoji表情
     cursor = conn.cursor()
     sql = 'insert into ' + TABLE_USERS + ' (userName,gender,age,level,city,sign,eventCount,followsCount,followedCount,recordCount,avatar,userId) VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)'
     try:

         cursor.execute(sql, (data['userName'],data['gender'],data['age'],data['level'],data['city'],data['sign'],data['eventCount'],data['followsCount'],data['followedCount'],data['recordCount'],data['avatar'],data['userId']))
         conn.commit()
     except Exception as e:
         print('mysql err>>> ',data['userId'],e)
         pass
     finally:
         cursor.close()
         conn.close()    

 def getID():
     conn = pymysql.connect(host='localhost', user='root', passwd='', db='emp', charset='utf8mb4')
     cursor = conn.cursor()
     sql = 'SELECT userId FROM '+TABLE_COMMENTS
     try:
         cursor.execute(sql)
         res = cursor.fetchall()
         return res
     except Exception as e:
         print('get err>>> ', e)
         pass
     finally:
         cursor.close()
         conn.close()
     return None

 if __name__ == '__main__':
     usersID = getID()
     for i in usersID:
         getData(ROOT_URL+i[0].strip())
         

根据获取用户信息的API，请求URL有1个可变部分：用户ID，前一部分已经将每条评论对应的用户ID也存储下来，这里只需要从数据库取用户ID并抓取信息即可（对应以上的5394条数据）。

至此，已经完成了歌曲评论和对应用户信息的抓取。接下来，对抓取到的数据进行清洗及可视化分析。

2 数据清洗 & 可视化

处理代码如下：

 import pandas as pd
 import pymysql
 from pyecharts import Bar,Pie,Line,Scatter,Map

 TABLE_COMMENTS = 'temp1'
 TABLE_USERS = 'temp2'
 DATABASE = 'emp'

 conn = pymysql.connect(host='localhost', user='root', passwd='', db='emp', charset='utf8mb4')
 sql_users = 'SELECT id,gender,age,city FROM '+TABLE_USERS
 sql_comments = 'SELECT id,time FROM '+TABLE_COMMENTS
 comments = pd.read_sql(sql_comments, con=conn)
 users = pd.read_sql(sql_users, con=conn)

 # 评论时间(按天)分布分析
 comments_day = comments['time'].dt.date
 data = comments_day.id.groupby(comments_day['time']).count()
 line = Line('评论时间(按天)分布')
 line.use_theme('dark')
 line.add(
     '',
     data.index.values,
     data.values,
     is_fill=True,
 )
 line.render(r'./评论时间(按天)分布.html')
 # 评论时间(按小时)分布分析
 comments_hour = comments['time'].dt.hour
 data = comments_hour.id.groupby(comments_hour['time']).count()
 line = Line('评论时间(按小时)分布')
 line.use_theme('dark')
 line.add(
     '',
     data.index.values,
     data.values,
     is_fill=True,
 )
 line.render(r'./评论时间(按小时)分布.html')
 # 评论时间(按周)分布分析
 comments_week = comments['time'].dt.dayofweek
 data = comments_week.id.groupby(comments_week['time']).count()
 line = Line('评论时间(按周)分布')
 line.use_theme('dark')
 line.add(
     '',
     data.index.values,
     data.values,
     is_fill=True,
 )
 line.render(r'./评论时间(按周)分布.html')

 # 用户年龄分布分析
 age = users[users['age']>0]    # 清洗掉年龄小于1的数据
 age = age.id.groupby(age['age']).count()    # 以年龄值对数据分组
 Bar = Bar('用户年龄分布')
 Bar.use_theme('dark')
 Bar.add(
     '',
     age.index.values,
     age.values,
     is_fill=True,
 )
 Bar.render(r'./用户年龄分布图.html')    # 生成渲染的html文件

 # 用户地区分布分析
 # 城市code编码转换
 def city_group(cityCode):
     city_map = {
         '': '北京',
         '': '天津',
         '': '上海',
         '': '重庆',
         '5e': '重庆',
         '': '香港',
         '': '澳门',
         '': '河北',
         '': '山西',
         '': '内蒙古',
         '': '辽宁',
         '': '吉林',
         '': '黑龙江',
         '': '江苏',
         '': '浙江',
         '': '安徽',
         '': '福建',
         '': '江西',
         '': '山东',
         '': '河南',
         '': '湖北',
         '': '湖南',
         '': '广东',
         '': '广西',
         '': '海南',
         '': '四川',
         '': '贵州',
         '': '云南',
         '': '西藏',
         '': '陕西',
         '': '甘肃',
         '': '青海',
         '': '宁夏',
         '': '新疆',
         '': '台湾',
         '': '其他',
     }
     return city_map[cityCode[:2]]

 city = users['city'].apply(city_group)
 city = city.id.groupby(city['city']).count()
 map_ = Map('用户地区分布图')
 map_.add(
     '',
     city.index.values,
     city.values,
     maptype='china',
     is_visualmap=True,
     visual_text_color='#000',
     is_label_show=True,
 )
 map_.render(r'./用户地区分布图.html')

关于数据的清洗，实际上在上一部分抓取数据的过程中已经做了一部分，包括：后台返回的空用户信息、重复数据的去重等。除此之外，还要进行一些清洗：用户年龄错误、用户城市编码转换等。

关于数据的去重，评论部分可以以sommentId为数据库索引，利用数据库来自动去重；用户信息部分以用户ID为数据库索引实现自动去重。

①API返回的用户年龄一般是时间戳的形式(以毫秒计)、有时候也会返回一个负值或者一个大于当前时间的值，暂时没有找到这两种值代表的含义，故而一律按0来处理。

②API返回的用户信息中，城市分为province和city两个字段，本此分析中只保存了city字段。实际上字段值是一个城市code码

③在这部分，利用Python的数据处理库pandas进行数据处理，利用可视化库pyecharts进行数据可视化。

以上，是对抓取到的数据采用可视化库pyecharts进行可视化分析，得到的结果如下：

结论一：评论时间按周分布图可以看出，评论数在一周当中前面较少，后面逐渐增多，这可以解释为往后接近周末，大家有更多时间来听听歌、刷刷歌评，而一旦周末过完，评论量马上下降（周日到周一的下降过渡），大家又回归到工作当中。

结论二：评论时间按小时分布图可以看出，评论数在一天当中有两个小高峰：11点-13点和22点-0点。这可以解释为用户在中午午饭时间和晚上下班(课)在家时间有更多的时间来听歌刷评论，符合用户的日常。至于为什么早上没有出现一个小高峰，大概是早上大家都在抢时间上班(学)，没有多少时间去刷评论。

结论三：用户年龄分布图可以看出，用户大多集中在14-30岁之间，以20岁左右居多，除去虚假年龄之外，这个年龄分布也符合网易云用户的年龄段。图中可以看出28岁有个高峰，猜测可能是包含了一些异常数据，有兴趣的化可以做进一步分析。

结论四：用户地区分布图可以看出，用户涵盖了全国各大省份，因为中间数据(坑)的缺失，并没有展现出哪个省份特别突出的情况。对别的歌评(完全数据)的可视化分析，可以看出明显的地区分布差异。用户地区分布图可以看出，用户涵盖了全国各大省份，因为中间数据的缺失，并没有展现出哪个省份特别突出的情况。对别的歌评(完全数据)的可视化分析，可以看出明显的地区分布差异。

细心观察评论数(按天)分布那张图，发现2017年到2018年间有很大一部分数据缺失，这实际上是因为在数据抓取过程中出现的问题。研究了一下发现，根据获取歌曲评论的API，实际上每首歌最多只能获得2w条左右(去重后)的评论，对于评论数超过2w的歌曲，只能获得前后(日期)各1w条评论，而且这个限制对于网易云官网也是存在的，具体表现为：对一首评论数超过2w的歌，如果一直往后浏览评论，会发现从第500页(网页端网易云每页20条评论)往后，后台返回的内容和第500页完全一样，从后往前同理。这应该是官方后台做了限制，连自家也不放过。。。

此次分析只是对某一首歌曲评论时间、用户年龄/地区分布进行的，实际上抓取到的信息不仅仅在于此，可以做进一步分析（比如利用评论内容进行文本内容分析等），这部分，未来会进一步分析。当然也可以根据自己情况对不同歌曲进行分析。

3.歌评文本分析

评论的文本分析做了两部分：情感分析和词云生成。
情感分析采用Python的文本分析库snownlp。具体代码如下：

 import numpy as np
 import pymysql
 from snownlp import SnowNLP
 from pyecharts import Bar

 TABLE_COMMENTS = 'temp1'
 DATABASE = 'emp'
 SONGNAME = 'five hours'

 def getText():
     conn = pymysql.connect(host='localhost', user='root', passwd='', db=DATABASE, charset='utf8')
     sql = 'SELECT id,content FROM '+TABLE_COMMENTS
     text = pd.read_sql(sql%(SONGNAME), con=conn)
     return text

 def getSemi(text):
     text['content'] = text['content'].apply(lambda x:round(SnowNLP(x).sentiments, 2))
     semiscore = text.id.groupby(text['content']).count()
     bar = Bar('评论情感得分')
     bar.use_theme('dark')
     bar.add(
         '',
         y_axis = semiscore.values,
         x_axis = semiscore.index.values,
         is_fill=True,
     )
     bar.render(r'情感得分分析.html')

     text['content'] = text['content'].apply(lambda x:1 if x>0.5 else -1)
     semilabel = text.id.groupby(text['content']).count()
     bar = Bar('评论情感标签')
     bar.use_theme('dark')
     bar.add(
         '',
         y_axis = semilabel.values,
         x_axis = semilabel.index.values,
         is_fill=True,
     )
     bar.render(r'情感标签分析.html')

结果：

词云生成采用jieba分词库分词，wordcloud生成词云，具体代码如下：

 from wordcloud import WordCloud
 import matplotlib.pyplot as plt
 plt.style.use('ggplot')
 plt.rcParams['axes.unicode_minus'] = False

 def getWordcloud(text):
     text = ''.join(str(s) for s in text['content'] if s)
     word_list = jieba.cut(text, cut_all=False)
     stopwords = [line.strip() for line in open(r'./StopWords.txt', 'r').readlines()]    # 导入停用词
     clean_list = [seg for seg in word_list if seg not in stopwords] #去除停用词
     clean_text = ''.join(clean_list)
     # 生成词云
     cloud = WordCloud(
         font_path = r'C:/Windows/Fonts/msyh.ttc',
         background_color = 'white',
         max_words = 800,
         max_font_size = 64
     )
     word_cloud = cloud.generate(clean_text)
     # 绘制词云
     plt.figure(figsize=(12, 12))
     plt.imshow(word_cloud)
     plt.axis('off')
     plt.show()

 if __name__ == '__main__':
     text = getText()
     getSemi(text)
     getWordcloud(text)

词云：