python爬虫 2019中国好声音评论爬取过程解析

更新时间：2020-07-26 20:00:01 作者：startmvc

2019中国好声音火热开播，作为一名“假粉丝”，这一季每一期都刷过了，尤其刚播出的第

2019中国好声音火热开播，作为一名“假粉丝”，这一季每一期都刷过了，尤其刚播出的第六期开始正式的battle。视频视频看完了，那看下大家都是怎样评论的。

1.网页分析部分

本文爬取的是腾讯视频评论，第六期的评论地址是：http://coral.qq.com/4093121984

每页有10条评论，点击“查看更多评论”，可将新的评论加载进来，通过多次加载，可以发现我们要找的评论就在以v2开头的js类型的响应中。

请求为GET请求，地址是http://coral.qq.com/article/4093121984/comment/v2 ，通过传入不同的参数返回不同的评论内容。

经过对比发现，参数不同的地方只有两点，"cursor"和""。

先看"cursor"：第一页的"cursor"是0，后面每一页的都是前一页响应中"last"的值

再看下""：第一页的值似乎是随机生成的，而后面每一页都在前一页的基础上加1

OK，找到规律后，开始爬取每一页的评论

2.爬虫部分

（1）导入需要的库


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 #自定义
from common import my_fanction #自定义

其中common文件夹中自定义了一些方法：

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",
 # 淘宝浏览器
 "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",
 # 猎豹浏览器
 "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浏览器
 "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浏览器
 "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浏览器
 "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浏览器
 "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, 'a', encoding='utf-8') as f:
 f.write(content)
 else:
 print(content,"内容为空，跳过")
 pass

（2）爬取评论内容

这里总共爬取了三种类型的数据：用户评论、用户昵称、用户所在地区


#评论请求地址
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'
}
# 第一页
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()),"请求失败。",e)
 else:
 print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),"请求成功。")
 content = html.content.decode('utf-8')
 sep1 = '"last":"(.*?)"' # 下一个 cursor
 sep2 = '"content":"(.*?)"' # 评论
 sep3 = '"nick":"(.*?)"' # 昵称
 sep4 = '"region":"(.*?)"' # 地区
 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）对用户评论进行分词


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 #返回分词后的数据

（4）生成词云


#词云形状图片
img1 = 'lib/fangxing.png'
img2 = 'lib/xin.png'
#词云字体
font = 'lib/simsun.ttc'
def create_word_cloud(file_path,img):
 # 设置词云形状图片
 wc_mask = np.array(Image.open(img))
 # 设置词云的一些配置，如：字体，背景色，词云形状，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)
 # 生成词云
 wc.generate(cut_word(file_path))
 # 在只设置mask的情况下,你将会得到一个拥有图片形状的词云
 plt.imshow(wc, interpolation="bilinear")
 plt.axis("off")
 #plt.figure()
 plt.show()

效果如下：

（5）对用户地区统计分析

国外地区忽略了，这里只对国内地区进行了分析


def create_region_histogram():
 with open('txt/region.txt','r',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 '中国' 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))
 # 构建数据
 x_data = province_uniq
 y_data = province_count
 # 自定义字体属性
 fp = fmgr.FontProperties(fname='lib/simsun.ttc')
 bar_width = 0.7
 # Y轴数据使用range(len(x_data)
 plt.barh(y=range(len(x_data)), width=y_data, label='count',
 color='steelblue', alpha=0.8, height=bar_width)
 # 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
 for y, x in enumerate(y_data):
 plt.text(x+10, y - bar_width / 2, '%s' % x, ha='center', va='bottom')
 # 为Y轴设置刻度值
 plt.yticks(np.arange(len(x_data)) + bar_width / 2, x_data,fontproperties=fp)
 # 设置标题
 plt.title("各地区参与评论用户量",fontproperties=fp)
 # 为两条坐标轴设置名称
 plt.xlabel("人数",fontproperties=fp)
 plt.ylabel("地区",fontproperties=fp)
 # 显示图例
 plt.legend()
 plt.show()

效果如下：