1. 需求说明
本项目基于Python爬虫，爬取豆瓣电影上关于复仇者联盟3的所有影评，并保存至本地文件。然后对影评进行分词分析，使用词云生成树人格鲁特的形象照片。
2. 代码实现
此部分主要解释Python爬虫部分及使用词云生成图像的代码
Python爬虫
首先获取需要爬取的网页地址，然后通过requests.get()方式去获取网页，代码如下：
# 获取网页
def getHtml(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
return r.text
except:
return ''
获取到网页之后，对网页中的元素进行正则匹配，找到评论相关的元素，并获取。
# 获取某个网页中的影评
def getComment(html):
soup = BeautifulSoup(html, 'html.parser')
comments_list = []
comment_nodes = soup.select('.comment > p')
for node in comment_nodes:
comments_list.append(node.get_text().strip().replace("
", "") + u'
')
return comments_list
将爬取到的影评保存至文本文件中，以备后续分析使用。
def saveCommentText(fpath):
pre_url = "https://movie.douban.com/subject/24773958/comments?"
depth = 8
with open(fpath, 'a', encoding='utf-8') as f:
for i in range(depth):
url = pre_url + 'start=' + str(20 * i) + '&limit=20&sort=new_score&' + 'status=P'
html = getHtml(url)
f.writelines(getComment(html))
time.sleep(1 + float(random.randint(1, 20)) / 20)
基于词云生成图像
注释比较详细，可以看注释说明
def drawWordcloud():
with codecs.open('text.txt', encoding='utf-8') as f:
comment_text = f.read()
# 设置背景图片,可替换为img目录下的任何一张图片
color_mask = imread("imgGroot4.jpeg")
# 停用词设置
Stopwords = [u'就是', u'电影', u'你们', u'这么', u'不过', u'但是',
u'除了', u'时候', u'已经', u'可以', u'只是', u'还是', u'只有', u'不要', u'觉得', u'，'u'。']
# 设置词云属性
cloud = WordCloud(font_path="simhei.ttf",
background_color='white',
max_words=260,
max_font_size=150,
min_font_size=4,
mask=color_mask,
stopwords=Stopwords)
# 生成词云, 可以用generate输入全部文本,也可以我们计算好词频后使用generate_from_frequencies函数
word_cloud = cloud.generate(comment_text)
# 从背景图片生成颜色值(注意图片的大小)
image_colors = ImageColorGenerator(color_mask)
# 显示图片
plt.imshow(cloud)
plt.axis("off")
# 绘制词云
plt.figure()
plt.imshow(cloud.recolor(color_func=image_colors))
plt.axis("off")
plt.figure()
plt.imshow(color_mask, cmap=plt.cm.gray)
plt.axis("off")
plt.show()
# 保存图片
word_cloud.to_file("imgcomment_cloud.jpg")
为了方便阅读，这里贴出整体过程编码：
def getHtml(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
return r.text
except:
return ''
def getComment(html):
soup = BeautifulSoup(html, 'html.parser')
comments_list = []
comment_nodes = soup.select('.comment > p')
for node in comment_nodes:
comments_list.append(node.get_text().strip().replace("
", "") + u'
')
return comments_list
def saveCommentText(fpath):
pre_url = "https://movie.douban.com/subject/24773958/comments?"
depth = 8
with open(fpath, 'a', encoding='utf-8') as f:
for i in range(depth):
url = pre_url + 'start=' + str(20 * i) + '&limit=20&sort=new_score&' + 'status=P'
html = getHtml(url)
f.writelines(getComment(html))
time.sleep(1 + float(random.randint(1, 20)) / 20)
def cutWords(fpath):
text = ''
with open(fpath, 'r', encoding='utf-8') as fin:
for line in fin.readlines():
line = line.strip('
')
text += ' '.join(jieba.cut(line))
text += ' '
with codecs.open('text.txt', 'a', encoding='utf-8') as f:
f.write(text)
def drawWordcloud():
with codecs.open('text.txt', encoding='utf-8') as f:
comment_text = f.read()
# 设置背景图片
color_mask = imread("imgGroot4.jpeg")
# 停用词设置
Stopwords = [u'就是', u'电影', u'你们', u'这么', u'不过', u'但是',
u'除了', u'时候', u'已经', u'可以', u'只是', u'还是', u'只有', u'不要', u'觉得', u'，'u'。']
# 设置词云属性
cloud = WordCloud(font_path="simhei.ttf",
background_color='white',
max_words=260,
max_font_size=150,
min_font_size=4,
mask=color_mask,
stopwords=Stopwords)
# 生成词云, 可以用generate输入全部文本,也可以我们计算好词频后使用generate_from_frequencies函数
word_cloud = cloud.generate(comment_text)
# 从背景图片生成颜色值(注意图片的大小)
image_colors = ImageColorGenerator(color_mask)
# 显示图片
plt.imshow(cloud)
plt.axis("off")
# 绘制词云
plt.figure()
plt.imshow(cloud.recolor(color_func=image_colors))
plt.axis("off")
plt.figure()
plt.imshow(color_mask, cmap=plt.cm.gray)
plt.axis("off")
plt.show()
# 保存图片
word_cloud.to_file("imgcomment_cloud.jpg")
三、项目结构
项目结构
注意整个项目只有一个源码文件，其他的为图片文件
四、运行效果图
一大波格鲁特来袭
格鲁特1号
格鲁特2号
格鲁特3号
格鲁特4号
Python爬取豆瓣《复仇者联盟3》评论并生成乖萌的格鲁特
注：本文著作权归作者，由demo大师代发，拒绝转载，转载需要作者授权