Python抓取电视剧《天盛长歌》豆瓣短评,并制作成词云。

2023-11-10 06:00

本文主要是介绍Python抓取电视剧《天盛长歌》豆瓣短评,并制作成词云。,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

最近在看《天盛长歌》,才看了30多集,感觉里边的剧情还是很有深度,每个反派都是智商在线,剧情也是环环相扣,以至于每个镜头给了哪些特写我都要细细斟酌一番。不过可能剧情是根据小说改编,所以部分剧情有些老套,而且因为节奏有点慢,剧情过多,光是大皇子领盒饭就用了20集。目前来说不喜欢韶宁公主有关的剧情,不知道她后边的剧情怎么发展,配角选的也是十分用心了,喜欢珠茵姐姐,可惜十几集就领盒饭了,而且还有点不值,兰香院的姑娘们颜值也是在线的!和别的剧比起来,真真是美的各有千秋。

一、抓取数据
首先要抓取豆瓣影评,豆瓣比较奇怪,即使登陆了也只能抓取480条短评,不登陆可以抓200条短评,所以我就抓取了不登陆的200条(还不会用登陆抓取)。
上代码:

#coding=utf-8
import requests
from lxml import etree
import random
import pymysql# 获取网页内容
def geturl(url,IP_pools):USER_AGENTS = ["Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36","Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36"]Agent_Value = random.choice(USER_AGENTS)headers = {"User-Agent":Agent_Value ,"Host": "movie.douban.com","Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",}try:# 我使用了代理,在代理池中随机获取验证成功的IPip_one = random.choice(IP_pools)print(ip_one)proxies1 = {'http': "http://" + ip_one}print(url)r = requests.get(url=url, headers=headers, proxies=proxies1, timeout=5)print(r.status_code)assert r.status_code == 200return etree.HTML(r.content)except:print("**"*20+"错误!"+"**"*20)
# 从数据库的代理池取出全部验证成功的IP,并存入列表中
def get_IP():con = pymysql.connect(host='192.111.111.111', user='root', passwd='111111', db='databace', port=3306,charset='utf8')if con:print("ok")cur = con.cursor()if cur:sql_read = "select IP,port from ip_pool where score  = %s "cur.execute(sql_read, "T")con.commit()lines = cur.fetchall()a_list = []for i in lines:li = i[0] + ":" + i[1]# print(li)a_list.append(li)return a_listelse:print("打开游标失败!")cur.close()else:print("数据库打开失败!")con.close()IP_pools = get_IP()def TSCG():for i in range(0,220,20):url = "https://movie.douban.com/subject/26761328/comments?start=" + str(i)# 直接获取每页的短评res = geturl(url,IP_pools).xpath('//span[@class="short"]/text()')for a in res:a = a.strip().replace("\n","")with open("output/tianshengchangge_200.txt","a",encoding="utf-8") as fw:fw.write(a + "\n")# 抓取短评
TSCG()

二、处理数据

1、抓到数据后要先制作停止词;停止词的txt文件在下一篇文章里

# 制作停止词
def make_stopdict():stopdict = set()#网上下载来的停止词文本with open("stopwords.txt","r",encoding="utf-8") as fr:lines = fr.readlines()for l in lines:stopdict.add(l.strip())print(type(stopdict))return stopdict

2、去掉停止词,使用了 jieba(停止词就是类似于“的、啊、是”等这类型的词。详情请百度)

import jieba.analyse
import redef removeStopwords():stopdict = make_stopdict()# 使用jieba分词去掉停止词zhongwen_pat = re.compile(r'^[\u4e00-\u9fa5a-zA-Z]+$')all_content = []# 从文件中取出短评内容with open("output/tianshengchangge_200.txt","r",encoding="utf-8") as fr:review = fr.readlines()for t in review: cut_list = [c for c in jieba.cut(t) if zhongwen_pat.search(c)]cut_set = set(cut_list)res_set = cut_set - stopdictres_list = list(res_set)all_content.extend(res_list)for a in res_list:a = a.strip().replace("\n","")with open("output/douban1.txt","a",encoding="utf-8") as fw:fw.write(a + "\n")return("output/douban1.txt")

3、使用jieba分词分析短评中各个词的出现频率

def get_top_keywords():file = "output/douban1.txt"top_word_lists = [] # 关键词列表,待填充with open(file,'r',encoding="utf-8") as f:texts = f.read() # 读取整个文件作为一个字符串result = jieba.analyse.textrank(texts,topK=100,withWeight=True) #保留最高频的100个词keywords = dict()for i in result:keywords[i[0]]=i[1]print(keywords)return keywords

4、制作词云

from wordcloud import WordCloud
import matplotlib.pyplot as plt
# 制作词云
def makeWordcloud():keywords = get_top_keywords()color_mask = imread("output/mark2.jpg")  # 读取背景图片,cloud = WordCloud(# 设置字体,不指定就会出现乱码,文件名不支持中文(选择系统默认就好)font_path="C:/Windows/Fonts/simfang.ttf",# 设置背景色,默认为黑,可根据需要自定义为颜色background_color='white',# 词云背景,mask=color_mask,# 允许最大词汇max_words=100,# 最大号字体,如果不指定则为图像高度max_font_size=80,# 画布宽度和高度,如果设置了msak则不会生效width=600, height=400, margin=2,# 词语水平摆放的频率,默认为0.9.即竖直摆放的频率为0.1prefer_horizontal=0.4)wc = cloud.generate_from_frequencies(keywords)  # 产生词云wc.to_file("output/Wc_tscg4.png")  # 保存图片# 显示词云图片plt.imshow(wc)# 不现实坐标轴plt.axis('off')# 绘制词云plt.show()# 制作词云
makeWordcloud()

5、最终效果
这里写图片描述

这篇关于Python抓取电视剧《天盛长歌》豆瓣短评,并制作成词云。的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/380786

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专