博客
关于我
爬取某瓣电影中你好,李焕英电影的短评并生成词云
阅读量:491 次
发布时间:2019-03-07

本文共 2876 字,大约阅读时间需要 9 分钟。

要爬取的:

项目结构:

在这里插入图片描述
其中img.png是背景图片,lhz.py是Python代码,lhz.text是爬取到的短评,msyh.ttc是字体文件,new_inclound.png是生成的词云图片。
提取码:8888
下面是完整的代码:

import requests   # 请求库,需要安装from fake_useragent import UserAgent   # 构造user—Agent的库,需要安装from lxml import etree   # 使用xpath()需要导入该库,需要安装import time   # 使用time.sleep()使程序睡眠一段时间需要导入该库import jieba  # 中文分词库,需要安装import imageio   # 读取图片需要该库,需要安装import wordcloud   # 制作词云的库,需要安装from typing import NoReturn   # 类型标记的库,需要安装class lhz():    def __init__(self):        """初始化"""        self.next_page_url = "https://movie.douban.com/subject" \                             "/34841067/comments?start=0&limit=20&status=P&sort=new_score"        self.b = True    def get_all_comment(self, url: str) -> NoReturn:        """获取页面中的所有短评           url:要提取短评的链接        """        response = requests.get(url, headers={   'user-agent': UserAgent().chrome})        e = etree.HTML(response.text, etree.HTMLParser())        comm = e.xpath('//span[@class="short"]/text()')   # 使用xpath提取短评,结果是列表        with open('lhz.text', mode='a', encoding='utf-8') as f:            # 将列表中的每一个短评处理后写入文件中            for i in comm:                i.replace('\n', '')                i += '\n'                f.write(i)        if self.b:            # 使用xpath提取第一个页面中下一个页面的链接            next_url = e.xpath('//div[@id="paginator"]/a/@href')            self.b = False        else:            # 使用xpath提取非第一个页面中的下一个页面的链接            next_url = e.xpath('//div[@id="paginator"]/a[3]/@href')        if next_url:  # 如果提取到的下一个页面的链接不为空就递归提取            time.sleep(0.5)   # 程序睡眠0.5秒            # 构造下一个页面的链接            next_url = ''.join(next_url).replace('&percent_type=', '')            self.next_page_url = "https://movie.douban.com/subject" \                                 "/34841067/comments{}".format(next_url)            self.get_all_comment(self.next_page_url)  # 递归调用            time.sleep(1)    def make_clound(self) -> NoReturn:        """绘制词云图"""        with open('lhz.text', mode='r', encoding='utf-8') as f:  # 读取短评文件中的数据            txt = f.read()        txt_list = jieba.cut(txt)   # 分词        string = ' '.join(txt_list)   # 分词后再使用空格它们重新连接成字符串        img = imageio.imread('img.png')  # 读取图片        wc = wordcloud.WordCloud(  # 配置词云参数            width=1500,  # 词云图片的宽,单位是像素            height=1000,  # 词云图片的高            background_color='black',   # 背景颜色            font_path='msyh.ttc',   # 字体文件的路径            mask=img,  # 除白色部分之外的用来绘制词云            scale=10,  # 按照比例进行放大画布,如设置为1.5,则长和宽都是原来画布的1.5倍            stopwords={   ',', '.', ',', '。', '!', '?', '?'},  # 设置停用词        )        wc.generate(string)   # 生成词云        wc.to_file('new_inclound.png')   # 将词云保存到文件中if __name__ == '__main__':    """程序入口"""    lhz = lhz()    lhz.get_all_comment(lhz.next_page_url)    lhz.make_clound()

上面用到了许多第三方库,大家需要使用pip安装,同时也需要注意你的字体文件路径和背景图片路径可能和我的不一样,要改为自己的。

同时,由于豆瓣有反爬措施,爬取到200多条时就需要登录,所以短评只有200多条,但这足够了!

下面是我的运行结果:

在这里插入图片描述

转载地址:http://gtjcz.baihongyu.com/

你可能感兴趣的文章
MySQL Workbench安装教程以及菜单汉化
查看>>
MySQL Xtrabackup 安装、备份、恢复
查看>>
mysql [Err] 1436 - Thread stack overrun: 129464 bytes used of a 286720 byte stack, and 160000 bytes
查看>>
MySQL _ MySQL常用操作
查看>>
MySQL – 导出数据成csv
查看>>
MySQL —— 在CentOS9下安装MySQL
查看>>
MySQL —— 视图
查看>>
mysql 不区分大小写
查看>>
mysql 两列互转
查看>>
MySQL 中开启二进制日志(Binlog)
查看>>
MySQL 中文问题
查看>>
MySQL 中日志的面试题总结
查看>>
mysql 中的all,5分钟了解MySQL5.7中union all用法的黑科技
查看>>
MySQL 中的外键检查设置:SET FOREIGN_KEY_CHECKS = 1
查看>>
Mysql 中的日期时间字符串查询
查看>>
mysql 中索引的问题
查看>>
MySQL 中锁的面试题总结
查看>>
MySQL 中随机抽样:order by rand limit 的替代方案
查看>>
MySQL 为什么需要两阶段提交?
查看>>
mysql 为某个字段的值加前缀、去掉前缀
查看>>