python爬蟲 2019中國好聲音評論爬取過程解析

阿新 • • 發佈：2020-01-09

2019中國好聲音火熱開播，作為一名“假粉絲”，這一季每一期都刷過了，尤其剛播出的第六期開始正式的battle。視訊視訊看完了，那看下大家都是怎樣評論的。

1.網頁分析部分

本文爬取的是騰訊視訊評論，第六期的評論地址是：http://coral.qq.com/4093121984

每頁有10條評論，點選“檢視更多評論”，可將新的評論載入進來，通過多次載入，可以發現我們要找的評論就在以v2開頭的js型別的響應中。

請求為GET請求，地址是http://coral.qq.com/article/4093121984/comment/v2 ，通過傳入不同的引數返回不同的評論內容。

經過對比發現，引數不同的地方只有兩點，"cursor"和""。

先看"cursor"：第一頁的"cursor"是0，後面每一頁的都是前一頁響應中"last"的值

再看下""：第一頁的值似乎是隨機生成的，而後面每一頁都在前一頁的基礎上加1

OK，找到規律後，開始爬取每一頁的評論

2.爬蟲部分

（1）匯入需要的庫

import requests
import re
import random
import time
import json
import jieba
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.font_manager as fmgr
from wordcloud import WordCloud
from common import user_agent #自定義
from common import my_fanction #自定義

其中common資料夾中自定義了一些方法：

user_agent

#!/usr/bin/env python
# -*- coding: utf-8 -*-
'''
@File : user_agent.py
@Author: Fengjicheng
@Date : 2019/8/11
@Desc :
'''
user_agent_list = [
    # Opera
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60","Opera/8.0 (Windows NT 5.1; U; en)","Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.50","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.50",# Firefox
    "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0","Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",# Safari
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML,like Gecko) Version/5.1.7 Safari/534.57.2",# chrome
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/39.0.2171.71 Safari/537.36","Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML,like Gecko) Chrome/23.0.1271.64 Safari/537.11","Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.16 (KHTML,like Gecko) Chrome/10.0.648.133 Safari/534.16",# 360
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/30.0.1599.101 Safari/537.36","Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0) like Gecko",# 淘寶瀏覽器
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML,like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",# 獵豹瀏覽器
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML,like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",# QQ瀏覽器
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",# sogou瀏覽器
    "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML,like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0)",# maxthon瀏覽器
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML,like Gecko) Maxthon/4.4.3.4000 Chrome/30.0.1599.101 Safari/537.36",# UC瀏覽器
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/38.0.2125.122 UBrowser/4.0.3214.0 Safari/537.36",]

my_function

#!/usr/bin/env python
# -*- coding: utf-8 -*-
'''
@File : file_writte.py
@Author: Fengjicheng
@Date : 2019/8/24
@Desc :
'''
def file_write(file_name,content):
  if content:
    if type(content) == list:
      for i in content:
        with open(file_name,'a',encoding='utf-8') as f:
          f.write(i + '\n')
    if type(content) == str:
      with open(file_name,encoding='utf-8') as f:
        f.write(content)
  else:
    print(content,"內容為空，跳過")
    pass

（2）爬取評論內容

這裡總共爬取了三種類型的資料：使用者評論、使用者暱稱、使用者所在地區

#評論請求地址
url = 'http://coral.qq.com/article/4093121984/comment/v2'
agent = random.choice(user_agent.user_agent_list)
header = {
'Host': 'video.coral.qq.com','User-Agent': agent,'Accept': '*/*','Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2','Accept-Encoding': 'gzip,deflate,br','Connection': 'keep-alive','Referer': 'https://page.coral.qq.com/coralpage/comment/video.html','TE': 'Trailers'
}
# 第一頁
cursor = '0'
vid = 1566724116229

def get_comment(a,b):
  parameter = {
  'callback': '_varticle4093121984commentv2','orinum': '10','oriorder': 'o','pageflag': '1','cursor': a,'scorecursor': '0','orirepnum': '2','reporder': 'o','reppageflag': '1','source': '1','_': str(b)
  }
  try:
    html = requests.get(url,params=parameter,headers=header)
  except Exception as e:
    print(time.strftime("%Y-%m-%d %H:%M:%S",time.localtime()),"請求失敗。",e)
  else:
    print(time.strftime("%Y-%m-%d %H:%M:%S","請求成功。")
  content = html.content.decode('utf-8')
  sep1 = '"last":"(.*?)"' # 下一個 cursor
  sep2 = '"content":"(.*?)"' # 評論
  sep3 = '"nick":"(.*?)"' # 暱稱
  sep4 = '"region":"(.*?)"' # 地區
  global cursor
  cursor = re.compile(sep1).findall(content)[0]
  comment = re.compile(sep2).findall(content)
  nick = re.compile(sep3).findall(content)
  region = re.compile(sep4).findall(content)
  my_fanction.file_write('txt/comment.txt',comment)
  my_fanction.file_write('txt/nick.txt',nick)
  my_fanction.file_write('txt/region.txt',region)

效果如下：

（3）對使用者評論進行分詞

def cut_word(file_path):
  with open(file_path,'r',encoding='utf-8') as f:
    comment_txt = f.read()
    wordlist = jieba.cut(comment_txt,cut_all=True)
    wl = " ".join(wordlist)
    print(wl)
    return wl #返回分詞後的資料

（4）生成詞雲

#詞雲形狀圖片
img1 = 'lib/fangxing.png'
img2 = 'lib/xin.png'
#詞雲字型
font = 'lib/simsun.ttc'
def create_word_cloud(file_path,img):
  # 設定詞雲形狀圖片
  wc_mask = np.array(Image.open(img))
  # 設定詞雲的一些配置，如：字型，背景色，詞雲形狀，大小
  wc = WordCloud(background_color="white",max_words=200,mask=wc_mask,scale=4,max_font_size=50,random_state=42,font_path=font)
  # 生成詞雲
  wc.generate(cut_word(file_path))
  # 在只設置mask的情況下,你將會得到一個擁有圖片形狀的詞雲
  plt.imshow(wc,interpolation="bilinear")
  plt.axis("off")
  #plt.figure()
  plt.show()

效果如下：

（5）對使用者地區統計分析

國外地區忽略了，這裡只對國內地區進行了分析

def create_region_histogram():
  with open('txt/region.txt',encoding='utf-8') as f:
    country_list = f.readlines()
    country_list = [x.strip() for x in country_list if x.strip() != '::']
  sep1 = ':'
  pattern1 = re.compile(sep1)
  province_lit = []
  province_count = []
  other_list = []
  other_count = []
  for country in country_list:
    country_detail = re.split(pattern1,country)
    if '中國' in country_detail:
      if country_detail[1] != '':
        province_lit.append(country_detail[1])
    else:
      other_list.append(country_detail[0])
  province_uniq = list(set(province_lit))
  other_uniq = list(set(other_list))
  for i in province_uniq:
    province_count.append(province_lit.count(i))
  for i in other_uniq:
    other_count.append(other_list.count(i))
  # 構建資料
  x_data = province_uniq
  y_data = province_count
  # 自定義字型屬性
  fp = fmgr.FontProperties(fname='lib/simsun.ttc')
  bar_width = 0.7
  # Y軸資料使用range(len(x_data)
  plt.barh(y=range(len(x_data)),width=y_data,label='count',color='steelblue',alpha=0.8,height=bar_width)
  # 在柱狀圖上顯示具體數值,ha引數控制水平對齊方式,va控制垂直對齊方式
  for y,x in enumerate(y_data):
    plt.text(x+10,y - bar_width / 2,'%s' % x,ha='center',va='bottom')
  # 為Y軸設定刻度值
  plt.yticks(np.arange(len(x_data)) + bar_width / 2,x_data,fontproperties=fp)
  # 設定標題
  plt.title("各地區參與評論使用者量",fontproperties=fp)
  # 為兩條座標軸設定名稱
  plt.xlabel("人數",fontproperties=fp)
  plt.ylabel("地區",fontproperties=fp)
  # 顯示圖例
  plt.legend()
  plt.show()

效果如下：