《大秦賦》很火？，咱用Python扒拉一下它

猿友 2020-12-26 16:14:59 瀏覽數(shù) (2773)

反饋

大家好呀，我是你們親愛(ài)的 w3cschool 小編。

最近，最火的電視劇莫過(guò)于《大秦賦》了，小編也是一直在追，12 月 1 號(hào)開(kāi)播，那口碑杠杠的?？扇^(guò)后，小編那是直呼好家伙啊，我****。相信看過(guò)小伙伴們和我是一樣的，直呼好家伙了。該劇在豆瓣上的評(píng)分也由最初的 8.9 分，降到了現(xiàn)今的 6.0 分，可謂是高走低開(kāi)，觀者全程**。

于是乎小編忍不住的用 Python 爬取了豆瓣上《大秦賦》的評(píng)論相關(guān)數(shù)據(jù)，進(jìn)行了一波分析，也給大家分享一下思路。

一、數(shù)據(jù)爬取

既然要做分析，那肯定得先搞到數(shù)據(jù)。小編選擇的是豆瓣網(wǎng)下手，原因嘛，很簡(jiǎn)單，它家數(shù)據(jù)全吶，反扒難度還不大。我們主要要獲取的信息為評(píng)論的星級(jí)以及評(píng)論時(shí)間，順帶將評(píng)論者及評(píng)語(yǔ)咱也一起扒拉下來(lái)。

技術(shù)方面，小編用的是requests、bs4、pandas、time、matplotlib五個(gè)庫(kù)，工具為Pychram和Anaconda jupyter nootbook。

開(kāi)始編寫(xiě)前我們先來(lái)看下網(wǎng)站頁(yè)面url變化規(guī)律：

https://movie.douban.com/subject/26413293/comments?status=P

https://movie.douban.com/subject/26413293/comments?start=20&limit=20&status=P&sort=new_score

https://movie.douban.com/subject/26413293/comments?start=40&limit=20&status=P&sort=new_score

小伙伴們看出來(lái)了么，不難發(fā)現(xiàn)頁(yè)面變換中僅有 start 是不一樣的，所以在后續(xù)翻頁(yè)操作中我們只需要修改 start 參數(shù)即可，那么小編在這給大家一個(gè)問(wèn)題，首頁(yè) url 如何解決呢？

關(guān)于反扒：

對(duì)于豆瓣的爬取措施，其實(shí)找到真實(shí)的短評(píng)鏈接，是極其容易的。但是小編建議大家要登錄后攜帶 cookie 信息進(jìn)行數(shù)據(jù)的爬取，不然豆瓣會(huì)識(shí)別你為爬蟲(chóng)封禁你的 ip，至于該放什么小編給大家一個(gè)參考：

headers = {

"Accept":"application/json, text/plain, */*",

"Accept-Language":"zh-CN,zh;q=0.9",

"Connection":"keep-alive",

"Host":"movie.douban.com",

"User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36',

"Cookie":'這里是你自己的cookie'

}

那么 cookie 信息在哪呢，我們打開(kāi)網(wǎng)頁(yè)摁下 F12，或者鼠標(biāo)右鍵選擇檢查，點(diǎn)擊 NetWork 然后刷新一下界面，找到刷新出來(lái)的第一個(gè)信息，然后扒拉一下就能找到啦。

補(bǔ)充一點(diǎn)：小編本打算將《大秦賦》的所有短評(píng)都給扒拉下來(lái)的，可最終也只爬取到了 500 條，這應(yīng)該也是豆瓣的反扒措施（有大神的話，可以下去研究一下如何破解，然后告訴小編）。

二、數(shù)據(jù)處理

1、剔除重復(fù)值

采用如下命令查看重復(fù)項(xiàng)數(shù)量：

np.sum(df.duplicated()) #計(jì)算重復(fù)數(shù)量

采用如下命令刪除所有變量都重復(fù)的行：

df.drop_duplicates(keep = False) #刪除所有變量都重復(fù)的行

結(jié)果如下：

可以看出，得到的結(jié)果還是很漂亮的。

三、可視化分析

俗話說(shuō)：“字不如表，表不如圖”。我們所爬取到的數(shù)據(jù)，最終還是要有一個(gè)可視化的效果呈現(xiàn)，才能夠讓我們分析出數(shù)據(jù)背后所存在的規(guī)律，讓我們有一個(gè)清晰的認(rèn)識(shí)。下面小編從以下幾個(gè)方面來(lái)對(duì)我們所獲取到的數(shù)據(jù)進(jìn)行數(shù)據(jù)可視化分析。

1、評(píng)論數(shù)隨時(shí)間的變化趨勢(shì)

54af61727d2b1f748089aacd96c24132