Python 爬取猫眼电影《无名之辈》并对其进行数据分析

前言

文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者： 罗昭成

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cef

获取猫眼接口数据

作为一个长期宅在家的程序员，对各种抓包简直是信手拈来。在 Chrome 中查看原代码的模式，可以很清晰地看到接口，接口地址即为：

http://m.maoyan.com/mmdb/comments/movie/1208282.json?_v_=yes&offset=15

在 Python 中，我们可以很方便地使用 request 来发送网络请求，进而拿到返回结果：

 def getMoveinfo(url):
     session = requests.Session()
     headers = {
         "User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X)"
     }
     response = session.get(url, headers=headers)
     if response.status_code == 200:
         return response.text
     return None

根据上面的请求，我们能拿到此接口的返回数据，数据内容有很多信息，但有很多信息是我们并不需要的，先来总体看看返回的数据：

 {
     "cmts":[
         {
             "approve":0,
             "approved":false,
             "assistAwardInfo":{
                 "avatar":"",
                 "celebrityId":0,
                 "celebrityName":"",
                 "rank":0,
                 "title":""
             },
             "authInfo":"",
             "cityName":"贵阳",
             "content":"必须十分，借钱都要看的一部电影。",
             "filmView":false,
             "id":1045570589,
             "isMajor":false,
             "juryLevel":0,
             "majorType":0,
             "movieId":1208282,
             "nick":"nick",
             "nickName":"nickName",
             "oppose":0,
             "pro":false,
             "reply":0,
             "score":5,
             "spoiler":0,
             "startTime":"2018-11-22 23:52:58",
             "supportComment":true,
             "supportLike":true,
             "sureViewed":1,
             "tagList":{
                 "fixed":[
                     {
                         "id":1,
                         "name":"好评"
                     },
                     {
                         "id":4,
                         "name":"购票"
                     }
                 ]
             },
             "time":"2018-11-22 23:52",
             "userId":1871534544,
             "userLevel":2,
             "videoDuration":0,
             "vipInfo":"",
             "vipType":0
         }
     ]
 }
 ​

如此多的数据，我们感兴趣的只有以下这几个字段：

nickName, cityName, content, startTime， score

接下来，进行我们比较重要的数据处理，从拿到的 JSON 数据中解析出需要的字段：

 def parseInfo(data):
     data = json.loads(html)['cmts']
     for item in data:
         yield{
             'date':item['startTime'],
             'nickname':item['nickName'],
             'city':item['cityName'],
             'rate':item['score'],
             'conment':item['content']
         }

拿到数据后，我们就可以开始数据分析了。但是为了避免频繁地去猫眼请求数据，需要将数据存储起来，在这里，笔者使用的是 SQLite3，放到数据库中，更加方便后续的处理。存储数据的代码如下：

 def saveCommentInfo(moveId, nikename, comment, rate, city, start_time)
     conn = sqlite3.connect('unknow_name.db')
     conn.text_factory=str
     cursor = conn.cursor()
     ins="insert into comments values (?,?,?,?,?,?)"
     v = (moveId, nikename, comment, rate, city, start_time)
     cursor.execute(ins,v)
     cursor.close()
     conn.commit()
     conn.close()

​

数据处理

因为前文我们是使用数据库来进行数据存储的，因此可以直接使用 SQL 来查询自己想要的结果，比如评论前五的城市都有哪些：

SELECT  city, count(*) rate_count  FROM comments GROUP BY city ORDER BY rate_count DESC LIMIT 5

结果如下：

从上面的数据， 我们可以看出来，来自北京的评论数最多。

不仅如此，还可以使用更多的 SQL 语句来查询想要的结果。比如每个评分的人数、所占的比例等。如笔者有兴趣，可以尝试着去查询一下数据，就是如此地简单。

而为了更好地展示数据，我们使用 Pyecharts 这个库来进行数据可视化展示。

根据从猫眼拿到的数据，按照地理位置，直接使用 Pyecharts 来在中国地图上展示数据：

 data = pd.read_csv(f,sep='{',header=None,encoding='utf-8',names=['date','nickname','city','rate','comment'])
 city = data.groupby(['city'])
 city_com = city['rate'].agg(['mean','count'])
 city_com.reset_index(inplace=True)
 data_map = [(city_com['city'][i],city_com['count'][i]) for i in range(0,city_com.shape[0])]
 geo = Geo("GEO 地理位置分析",title_pos = "center",width = 1200,height = 800)
 while True:
     try:
         attr,val = geo.cast(data_map)
         geo.add("",attr,val,visual_range=[0,300],visual_text_color="#fff",
                 symbol_size=10, is_visualmap=True,maptype='china')
 ​
     except ValueError as e:
         e = e.message.split("No coordinate is specified for ")[1]
         data_map = filter(lambda item: item[0] != e, data_map)
     else :
         break
 geo.render('geo_city_location.html')

注：使用 Pyecharts 提供的数据地图中，有一些猫眼数据中的城市找不到对应的从标，所以在代码中，GEO 添加出错的城市，我们将其直接删除，过滤掉了不少的数据。

使用 Python，就是如此简单地生成了如下地图：

从可视化数据中可以看出，既看电影又评论的人群主要分布在中国东部，又以北京、上海、成都、深圳最多。虽然能从图上看出来很多数据，但还是不够直观，如果想看到每个省/市的分布情况，我们还需要进一步处理数据。

而在从猫眼中拿到的数据中，城市包含数据中具备县城的数据，所以需要将拿到的数据做一次转换，将所有的县城转换到对应省市里去，然后再将同一个省市的评论数量相加，得到最后的结果。

 data = pd.read_csv(f,sep='{',header=None,encoding='utf-8',names=['date','nickname','city','rate','comment'])
 city = data.groupby(['city'])
 city_com = city['rate'].agg(['mean','count'])
 city_com.reset_index(inplace=True)
 fo = open("citys.json",'r')
 citys_info = fo.readlines()
 citysJson = json.loads(str(citys_info[0]))
 data_map_all = [(getRealName(city_com['city'][i], citysJson),city_com['count'][i]) for i in range(0,city_com.shape[0])]
 data_map_list = {}
 for item in data_map_all:
     if data_map_list.has_key(item[0]):
         value = data_map_list[item[0]]
         value += item[1]
         data_map_list[item[0]] = value
     else:
         data_map_list[item[0]] = item[1]
 data_map = [(realKeys(key), data_map_list[key] ) for key in data_map_list.keys()]
 def getRealName(name, jsonObj):
     for item in jsonObj:
         if item.startswith(name) :
             return jsonObj[item]
     return name
 def realKeys(name):
     return name.replace(u"省", "").replace(u"市", "")
                .replace(u"回族自治区", "").replace(u"维吾尔自治区", "")
                .replace(u"壮族自治区", "").replace(u"自治区", "")

经过上面的数据处理，使用 Pyecharts 提供的 map 来生成一个按省/市来展示的地图：

 def generateMap(data_map):
     map = Map("城市评论数", width= 1200, height = 800, title_pos="center")
     while True:
         try:
             attr,val = geo.cast(data_map)
             map.add("",attr,val,visual_range=[0,800],
                     visual_text_color="#fff",symbol_size=5,
                     is_visualmap=True,maptype='china',
                     is_map_symbol_show=False,is_label_show=True,is_roam=False,
                     )
         except ValueError as e:
             e = e.message.split("No coordinate is specified for ")[1]
             data_map = filter(lambda item: item[0] != e, data_map)
         else :
             break
     map.render('city_rate_count.html')

当然，我们还可以来可视化一下每一个评分的人数，这个地方采用柱状图来显示：

 data = pd.read_csv(f,sep='{',header=None,encoding='utf-8',names=['date','nickname','city','rate','comment'])
 # 按评分分类
 rateData = data.groupby(['rate'])
 rateDataCount = rateData["date"].agg([ "count"])
 rateDataCount.reset_index(inplace=True)
 count = rateDataCount.shape[0] - 1
 attr = [rateDataCount["rate"][count - i] for i in range(0, rateDataCount.shape[0])]
 v1 = [rateDataCount["count"][count - i] for i in range(0, rateDataCount.shape[0])]
 bar = Bar("评分数量")
 bar.add("数量",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
         xaxis_interval=0,is_splitline_show=True)
 bar.render("html/rate_count.html")

画出来的图，如下所示，在猫眼的数据中，五星好评的占比超过了 50%，比豆瓣上 34.8% 的五星数据好很多。

从以上观众分布和评分的数据可以看到，这一部剧，观众朋友还是非常地喜欢。前面，从猫眼拿到了观众的评论数据。现在，笔者将通过 jieba 把评论进行分词，然后通过 Wordcloud 制作词云，来看看，观众朋友们对《无名之辈》的整体评价：

 data = pd.read_csv(f,sep='{',header=None,encoding='utf-8',names=['date','nickname','city','rate','comment'])
 comment = jieba.cut(str(data['comment']),cut_all=False)
 wl_space_split = " ".join(comment)
 backgroudImage = np.array(Image.open(r"./unknow_3.png"))
 stopword = STOPWORDS.copy()
 wc = WordCloud(width=1920,height=1080,background_color='white',
     mask=backgroudImage,
     font_path="./Deng.ttf",
     stopwords=stopword,max_font_size=400,
     random_state=50)
 wc.generate_from_text(wl_space_split)
 plt.imshow(wc)
 plt.axis("off")
 wc.to_file('unknow_word_cloud.png')

导出：

.