腾讯课堂 | Python网络爬虫与文本分析(戳一戳)~~

「《奔跑吧》第五季」已经播出两期了，节目以“黄河生态经济带”沿线地区为依托，通过创新游戏设置、直播带货扶贫等新形式，展现黄河流域的重要地位，描绘黄河生态经济带城市“文化之美”。

然而，网友貌似并不买账，邓超、郑凯等退出跑男后，「收视明显不如以前」，而吐槽貌似有所增加。为了了解吃瓜群众们对于跑男的看法，我爬了爬腾讯视频关于跑男的评论，并做了简单文本「可视化分析」。

数据获取

腾讯视频评论要点击「查看更多评论」才能加载更多数据，很明显是一个动态网页，评论内容使用了「Ajax动态加载技术」。因此，我们需要找到「真实URL」，然后再请求数据。通过真实URL获取到cursor=？和_=？这两个参数即可。核心代码如下：

def main():
    #初始页面的_=?
    page=1607948139253
    #初始待刷新页面的cursor=？
    lastId="0"
    for i in range(1,1000):
        time.sleep(1)
        html = get_content(page,lastId)
        #获取评论数据
        commentlist=get_comment(html)
        print("------第"+str(i)+"轮页面评论------")
        k = 0
        for j in range(1,len(commentlist)):
            comment = commentlist[j]
            k += 1
            print('第%s条评论：%s'%(k,comment))
        #获取下一轮刷新页ID
        lastId=get_lastId(html)
        page += 1

if __name__ == '__main__':
    main()

数据处理

导入相关包

import jieba
import re
import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt 
from pyecharts.charts import *
from pyecharts import options as opts 
from pyecharts.globals import ThemeType  
import stylecloud
from IPython.display import Image

导入评论数据

分别爬取了两期评论，因此需要分别读取并合并所有数据。

df1 = pd.read_csv('/菜J学Python/腾讯评论/paonan.csv',names=['评论内容'])
df2 = pd.read_csv('/菜J学Python/腾讯评论/paonan1.csv',names=['评论内容'])
df = pd.concat([df1,df2])
df.head(10)

查看数据信息

print('共有评论数：',df.shape[0],'条')

共有评论数：21307 条

df.info()
df['评论内容'] = df['评论内容'].astype('str')

<class 'pandas.core.frame.DataFrame'>
Int64Index: 21307 entries, 0 to 11833
Data columns (total 1 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   评论内容    21199 non-null  object
dtypes: object(1)
memory usage: 332.9+ KB

删除重复评论

df = df.drop_duplicates()

删除缺失数据

df = df.dropna()

增加评论类型

人为划分评论类型，20字以下为短评，20-50字为中评，50字以上为长评。

cut = lambda x : '短评' if len(x) <= 20 else ('中评' if len(x) <=50 else '长评')
df['评论类型'] = df['评论内容'].map(cut)

提取演员关键词

根据评论内容关键词，提取出人物提及字段。

tmp=[]
for i in df["评论内容"]:
    if "黑牛" in i:
        tmp.append("李晨")
    elif "杨颖" in i:
        tmp.append("杨颖")
    elif "沙溢" in i:
        tmp.append("沙溢")
    elif "坤" in i:
        tmp.append("蔡徐坤")
    elif "毅" in i:
        tmp.append("成毅")
    elif "一桐" in i:
        tmp.append("李一桐")      
    else:
        tmp.append("其他")
df['人物提及'] = tmp

机械压缩去重

定义一个机械压缩函数：

def yasuo(st):
    for i in range(1,int(len(st)/2)+1):
        for j in range(len(st)):
            if st[j:j+i] == st[j+i:j+2*i]:
                k = j + i
                while st[k:k+i] == st[k+i:k+2*i] and k                    k = k + i
                st = st[:j] + st[k:]    
    return st
yasuo(st="菜J学Python真的真的真的很菜很菜")

调用函数，对评论内容进行机械压缩去重：

df["评论内容"] = df["评论内容"].apply(yasuo)

特殊字符处理

用正则表达式提取出中文：

df['评论内容'] = df['评论内容'].str.extract(r"([\u4e00-\u9fa5]+)")
df = df.dropna()  #纯表情弹幕直接删除

过滤掉评论字数少于四个字的评论：

df = df[df["评论内容"].apply(len)>=4]
df = df.dropna()

数据可视化

整体评论情况

# 绘制词云图
text1 = get_cut_words(content_series=df['评论内容'])
stylecloud.gen_stylecloud(text=' '.join(text1), max_words=1000,
                          collocations=False,
                          font_path='演示悠然小楷.ttf',
                          icon_name='fas fa-video',
                          size=653,
                          #palette='matplotlib.Inferno_9',
                          output_name='./评论.png')
Image(filename='./评论.png')

通过对所有评论进行词云图绘制，我们发现「成毅」提及最多，对于最新跑男的看法，大家表现出非一致的看法。有人说「好看、喜欢」，有人说「没意思」。另外，评论中还多次提到往期节目中的嘉宾，如「陈赫、郑凯、郭麒麟」等，没有比较就没有伤害，很多人还是更喜欢往期的跑男的。

评论类型分布

df2 = df.groupby('评论类型')['评论内容'].count()
df2 = df2.sort_values(ascending=False) 
regions = df2.index.to_list()
values = df2.to_list()
c = (
        Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
        .add("", zip(regions,values),radius=["40%", "70%"])
        .set_global_opts(title_opts=opts.TitleOpts(title="评论类型占比",subtitle="数据来源：腾讯视频",pos_top="2%",pos_left = 'center'))
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=18))
    )
c.render_notebook()

短评占据「81.99%」，仅有2.65%的观众给出了50字以上的评论。

演员角色提及

df8 = df["人物提及"].value_counts(ascending=True)[:6]
print(df8.index.to_list())
print(df8.to_list())
c = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
    .add_xaxis(df8.index.to_list())
    .add_yaxis("",df8.to_list()).reversal_axis()
    .set_global_opts(title_opts=opts.TitleOpts(title="人物提及次数",subtitle="数据来源：腾讯视频 \t制图：菜J学Python",pos_left = 'top'),
                       xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改横坐标字体大小
                       yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改纵坐标字体大小
                       )
    .set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right'))
    )
c.render_notebook()

新成员「成毅」被观众提及次数最多，达到790次，其次是「蔡徐坤」，被提及452次。李晨被提及次数最少。

成毅评论词云

cy = df[df["人物提及"]=="成毅"]
text = get_cut_words(content_series=cy['评论内容'])
stylecloud.gen_stylecloud(text=' '.join(text), max_words=500,
                          collocations=False,
                          font_path='演示悠然小楷.ttf',
                          icon_name='fas fa-comments',
                          #palette='matplotlib.Inferno_9',
                          size=653,
                          output_name='./dinghui.png')
Image(filename='./dinghui.png')

成毅在新一季跑男的表现被网友广泛议论，认可他的观众「喜欢、期待、可爱」他的表现。也有相当多的观众觉得他「智商」有问题，是个「游戏黑洞」，而且很「搞笑」。

情感分析

这里使用了百度开源的成熟「NLP模型」来预测情感倾向，准确率相对还可以，通过模型计算出评论的「积极分值」和「消极分值」。

import paddlehub as hub
senta = hub.Module(name="senta_bilstm")
texts = df['评论内容'].tolist()
input_data = {'text':texts}
res = senta.sentiment_classify(data=input_data)
df['积极分值'] = [x['positive_probs'] for x in res]
df['消极分值'] = [x['negative_probs'] for x in res]

对积极分值求平均值，我们发现「低于0.5」，可见，观众对新一季跑男并不太感冒。

df["积极分值"].mean()

0.47351818330338175

通过积极分值和消极分值的判断，我们可以进一步判断出每个评论的「情感倾向」。

t = df.eval("积极分值-消极分值")
df["情感倾向"] = np.where(t > 0, "正面", np.where(t == 0, "中立", "负面"))
df

观众对成毅的情感倾向

df2 = df[df["人物提及"]=="成毅"].groupby('情感倾向')['评论内容'].count()
df2 = df2.sort_values(ascending=False) 
regions = df2.index.to_list()
values = df2.to_list()
c = (
        Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
        .add("", zip(regions,values),radius=["40%", "70%"])
        .set_global_opts(title_opts=opts.TitleOpts(title="观众对成毅情感倾向",subtitle="数据来源：腾讯视频\t制图：菜J学Python",pos_top="2%",pos_left = 'center'))
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=18))
    )
c.render_notebook()

df[df["人物提及"]=="成毅"].sample(10)

观众对蔡徐坤的情感倾向

df2 = df[df["人物提及"]=="蔡徐坤"].groupby('情感倾向')['评论内容'].count()
df2 = df2.sort_values(ascending=False) 
regions = df2.index.to_list()
values = df2.to_list()
c = (
        Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
        .add("", zip(regions,values),radius=["40%", "70%"])
        .set_global_opts(title_opts=opts.TitleOpts(title="观众对蔡徐坤情感倾向",subtitle="数据来源：腾讯视频\t制图：菜J学Python",pos_top="2%",pos_left = 'center'))
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=18))
    )
c.render_notebook()

df[df["人物提及"]=="蔡徐坤"].sample(10)

观众对李晨的情感倾向

df2 = df[df["人物提及"]=="李晨"].groupby('情感倾向')['评论内容'].count()
df2 = df2.sort_values(ascending=False) 
regions = df2.index.to_list()
values = df2.to_list()
c = (
        Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
        .add("", zip(regions,values),radius=["40%", "70%"])
        .set_global_opts(title_opts=opts.TitleOpts(title="观众对李晨情感倾向",subtitle="数据来源：腾讯视频\t制图：菜J学Python",pos_top="2%",pos_left = 'center'))
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=18))
    )
c.render_notebook()

df[df["人物提及"]=="李晨"].sample(5)

观众对杨颖的情感倾向

df2 = df[df["人物提及"]=="杨颖"].groupby('情感倾向')['评论内容'].count()
df2 = df2.sort_values(ascending=False) 
regions = df2.index.to_list()
values = df2.to_list()
c = (
        Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
        .add("", zip(regions,values),radius=["40%", "70%"])
        .set_global_opts(title_opts=opts.TitleOpts(title="观众对杨颖情感倾向",subtitle="数据来源：腾讯视频\t制图：菜J学Python",pos_top="2%",pos_left = 'center'))
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=18))
    )
c.render_notebook()

df[df["人物提及"]=="杨颖"].sample(10)

观众对沙溢的情感倾向

df2 = df[df["人物提及"]=="沙溢"].groupby('情感倾向')['评论内容'].count()
df2 = df2.sort_values(ascending=False) 
regions = df2.index.to_list()
values = df2.to_list()
c = (
        Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
        .add("", zip(regions,values),radius=["40%", "70%"])
        .set_global_opts(title_opts=opts.TitleOpts(title="观众对沙溢情感倾向",subtitle="数据来源：腾讯视频\t制图：菜J学Python",pos_top="2%",pos_left = 'center'))
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=18))
    )
c.render_notebook()

df[df["人物提及"]=="沙溢"].sample(10)

观众对李一桐的情感倾向

df2 = df[df["人物提及"]=="李一桐"].groupby('情感倾向')['评论内容'].count()
df2 = df2.sort_values(ascending=False) 
regions = df2.index.to_list()
values = df2.to_list()
c = (
        Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
        .add("", zip(regions,values),radius=["40%", "70%"])
        .set_global_opts(title_opts=opts.TitleOpts(title="观众对李一桐情感倾向",subtitle="数据来源：腾讯视频\t制图：菜J学Python",pos_top="2%",pos_left = 'center'))
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=18))
    )
c.render_notebook()

df[df["人物提及"]=="李一桐"].sample(10)