欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

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

程序员文章站 2022-05-14 16:39:41
词云图:爬取过程:你好,李焕英 短评的URL:https://movie.douban.com/subject/34841067/comments?start=20&limit=20&status=P&sort=new_score分析要爬取的URL;34841067:电影IDstart=20:开始页面limit=20:每页评论条数代码:url = 'https://movie.douban.com/subject/%s/comments?start=...

词云图:

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
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
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
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
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
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

爬取过程:

你好,李焕英 短评的URL:

https://movie.douban.com/subject/34841067/comments?start=20&limit=20&status=P&sort=new_score

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
分析要爬取的URL;
34841067:电影ID
start=20:开始页面
limit=20:每页评论条数

代码:

url = 'https://movie.douban.com/subject/%s/comments?start=%s&limit=20&sort=new_score&status=P % (movie_id, (i - 1) * 20)

在谷歌浏览器中按F12进入开发者调试模式,查看源代码,找到短评的代码位置,查看位于哪个div,哪个标签下:
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
可以看到评论在div[id=‘comments’]下的div[class=‘comment-item’]中的第一个span[class=‘short’]中,使用正则表达式提取短评内容,即代码为:

url = 'https://movie.douban.com/subject/%s/comments?start=%s&limit=20&sort=new_score&status=P' \
                  % (movie_id, (i - 1) * 20)

            req = requests.get(url, headers=headers)
            req.encoding = 'utf-8'
            comments = re.findall('<span class="short">(.*)</span>', req.text)

完整代码:

# 分析豆瓣你好李焕英的影评,生成词云
# https://movie.douban.com/subject/34841067/comments?start=20&limit=20&status=P&sort=new_score
# url = 'https://movie.douban.com/subject/%s/comments?start=%s&limit=20&sort=new_score&status=P '\
# % (movie_id, (i - 1) * 20)

import requests
from stylecloud import gen_stylecloud
import jieba
import re
from bs4 import BeautifulSoup
from wordcloud import STOPWORDS

headers = {
     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:64.0) Gecko/20100101 Firefox/64.0'
}


def jieba_cloud(file_name, icon):
    with open(file_name, 'r', encoding='utf8') as f:
        word_list = jieba.cut(f.read())

        result = " ".join(word_list)    # 分词用  隔开
        # 制作中文词云
        icon_name = " "
        if icon == "1":
            icon_name = ''
        elif icon == "2":
            icon_name = "fas fa-space-shuttle"
        elif icon == "3":
            icon_name = "fas fa-heartbeat"
        elif icon == "4":
            icon_name = "fas fa-bug"
        elif icon == "5":
            icon_name = "fas fa-thumbs-up"
        elif icon == "6":
            icon_name = "fab fa-qq"
        pic = str(icon) + '.png'
        if icon_name is not None and len(icon_name) > 0:
            gen_stylecloud(text=result,
                           size=1024,  # stylecloud 的大小(长度和宽度)
                           icon_name=icon_name,
                           font_path='simsun.ttc',
                           max_font_size=200,  # stylecloud 中的最大字号
                           max_words=2000,  # stylecloud 可包含的最大单词数
                           stopwords=True,  # 布尔值,用于筛除常见禁用词
                           custom_stopwords=STOPWORDS,
                           output_name=pic)
        else:
            gen_stylecloud(text=result, font_path='simsun.ttc', output_name=pic)
        return pic


def spider_comment(movie_id, page):
    comment_list = []
    with open("douban.txt", "a+", encoding='utf-8') as f:
        for i in range(1,page+1):

            url = 'https://movie.douban.com/subject/%s/comments?start=%s&limit=20&sort=new_score&status=P' \
                  % (movie_id, (i - 1) * 20)

            req = requests.get(url, headers=headers)
            req.encoding = 'utf-8'
            comments = re.findall('<span class="short">(.*)</span>', req.text)


            f.writelines('\n'.join(comments))
    print(comments)

# 主函数
if __name__ == '__main__':
    movie_id = '34841067'
    page = 10
    spider_comment(movie_id, page)
    jieba_cloud("douban.txt", "1")
    jieba_cloud("douban.txt", "2")
    jieba_cloud("douban.txt", "3")
    jieba_cloud("douban.txt", "4")
    jieba_cloud("douban.txt", "5")

    jieba_cloud("douban.txt", "6")

运行效果:

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
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
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
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
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
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

清洗词云:

可以看到炫酷的词云图了,然而仔细看的话,会发现出现了很多的”的”、“了”这样没有意义的字,很影响获取的印象,通过几个小时的折腾,终于让我找到了清洗词云的最简单的方法:
在这里加上:

        # 设置停用词
        stopwords_file = open('stopwords.txt', 'r', encoding='utf-8')
        stopwords = [words.strip() for words in stopwords_file.readlines()]

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
然后这里加上:

custom_stopwords=stopwords,  #定制停用词列表

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
这样就可以清洗掉无意义的词了!

停用词表参考:
Python文本分析之常用最全停用词表(stopwords)

stylecloud初识:

stylecloud是wordcloud优化改良版,操作简单,直接调用。

  • 可以使用 Font Awesome 提供的免费图标更改词云的形状;
  • 通过 palettable 更改调色板以自定义风格,更改背景颜色;
  • 添加梯度使颜色按照特定方向流动。

stylecloud参数详解:

text: 传入的字符串列表
file_path: 字符串的文本/ CSV的文件路径
gradient: 渐变方向 [「default:None]('horizontal')
size:stylecloud的大小(调大可提高图片清晰度)
icon_name: stylecloud形状的图标名称 [「default:」 fas fa-flag]
palette: 调色板 [「default:」 cartocolors.qualitative.Bold_5]
colors: 用作文本颜色的颜色 [「default:None]
background_color: 背景色(名称或十六进制)[「default:」 white]
max_font_size: stylecloud中的最大字体大小 [「default:200]
max_words: 要包含在stylecloud中的最大单词数 [「default:2000]
stopwords: 用于过滤掉常见的停用词 [「default:True]
custom_stopwords: list定制停用词列表 [「default:」 STOPWORDS, via word_cloud]
output_name: stylecloud的输出文件名 [「default:」 stylecloud.png]
font_path: 要在stylecloud中使用的字体的.ttf文件的路径 [「default:」 uses included Staatliches font]
random_state: 控制文字和颜色的随机状态 [「default:None]
collocations: 是否包括两个单词的搭配(二字组)。与基本word_cloud软件包的行为相同 [「default:True]
invert_mask: 是否反转图标掩码,因此单词填充除图标掩码以外的所有空格 [「default:False]

例如:

def gen_stylecloud(text=None,
                   file_path=None,   # 输入文本/CSV 的文件路径
                   size=512,  # stylecloud 的大小(长度和宽度)
                   icon_name='fas fa-flag',  # stylecloud 形状的图标名称(如 fas fa-grin)。[default: fas fa-flag]
                   palette='cartocolors.qualitative.Bold_5',  # 调色板(通过 palettable 实现)。[default: cartocolors.qualitative.Bold_6]
                   colors=None,
                   background_color="white",  # 背景颜色
                   max_font_size=200,  # stylecloud 中的最大字号
                   max_words=2000,  # stylecloud 可包含的最大单词数
                   stopwords=True,  # 布尔值,用于筛除常见禁用词
                   custom_stopwords=STOPWORDS,
                   icon_dir='.temp',
                   output_name='stylecloud.png',   # stylecloud 的输出文本名
                   gradient=None,  # 梯度方向
                   font_path=os.path.join(STATIC_PATH,
                                          'Staatliches-Regular.ttf'), # stylecloud 所用字体
                   random_state=None,  # 控制单词和颜色的随机状态
                   collocations=True,
                   invert_mask=False,
                   pro_icon_path=None,
                   pro_css_path=None):

词云形状:

使用 Font Awesome 提供的免费图标更改词云的形状。

https://fontawesome.dashgame.com/

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
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

https://fa5.dashgame.com/#/%E5%9B%BE%E6%A0%87

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

https://fontawesome.com/icons?d=gallery

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

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

本文地址:https://blog.csdn.net/m0_46278037/article/details/113979199

相关标签: Python 爬虫