Python爬取豆瓣《复仇者联盟3》评论并生成乖萌的格鲁特

代码地址如下：
http://www.demodashi.com/demo/13257.html

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("\n", "") + u'\n')

    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("img\Groot4.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("img\comment_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("\n", "") + u'\n')

    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('\n')

            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("img\Groot4.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("img\comment_cloud.jpg")