Python 爬取豆瓣电影评论并生成词云图（二）

在上一回的介绍中（ Python 爬取豆瓣电影评论并生成词云图（一） ），我们提到了如何获取单页评论，并熟悉了相关库的使用方法，在后面的推文中，我们将介绍获取多页评论、分词以及生成词云图，时不我待，快快开始吧~

那么我们如何获取多页的评论呢？当然还是循环。

我们可以设定要获取多少页的评论，最后仍返回一个列表。

参数 movie_id 是电影id， page_num 则是我们想要获取的评论页数。

前面我们说过，每页评论只需改变 start 后面的数字即可，所以我们用20*i，然后用str函数将结果转为字符串进行拼接。

Movie_id也进行拼接是为了以后可以只需更改电影id就可以获取不同电影的评论。

将每次循环返回的列表再相加，形成一个大列表 data 。

最后 return 用 join 函数将内容用空分隔。就相当于最后返回的是一篇文章，所有评论都在里面，便于后续的分词。

def parsepage (movie_id , page_num):

data = []
for i in range (page_num):
url = "https://movie.douban.com/subject/" + str (movie_id) + "/comments?start=" + str ( 20 * i) + "&limit=20"
data +=onepage(url)
print ( "parsing page %d" % (i+ 1 ))# 提示信息，显示当前正在解析第几页
time.sleep( 6 )# 每解析一页，就暂停 6 秒钟。防止给服务器造成不必要的资源浪费
return " " .join(data)

如图，以下就是返回的结果。

接下来，通过jieba中文分词对列表的评论进行分词。

jieba 是基于Python的中文分词工具,安装使用非常方便,直接pip即可：

执行命令安装： pip install jieba

这里是jieba分词的官方网站：

https://github.com/fxsjy/jieba

安装完毕我们导入：

通过上面返回的 data ，我们将data直接传入 jieba 的 lcut 方法。然后就返回了分词结果。

import jieba

all_comments =jieba.lcut(data)

print (all_comments)

我们可以将其打印出来看一下：

可以发现jieba分词已经将评论内容分解为一个一个的单字或词语，并且是一个列表。

因为生成词云图需要的是每个词语之间用空格分隔，所以我们还是用 join 方法，将上面返回的分词结果传入join函数，将其用空格分隔，并存入 words 列表。

words = []

words = " ".join(all_comments)

至此，words就是我们需要生成词云图的文字内容。

现在，我们已经将评论内容的准备工作完成。

激动人心的时刻终于到来！

使用 Wordcloud 库将其生成漂亮的词云图。

同样，使用命令安装： pip install wordcloud

这里是wordcloud的主页：

https://github.com/amueller/word_cloud

可以在这里对wordcloud有个大致了解。

注意：安装期间可能会出现错误：需要VC ++ 库等，此时不要着急。这里给出解决方案：

https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud

打开上面的网址，会跳转到如下界面：根据你的版本进行下载。

下载下来后，打开命令行（ cmd ），转到文件所在路径，使用命令进行安装：

pip install wordcloud-1.4.1-cp36-cp36m-win32.whl

install 后面的文件名根据你的下载版本替换（tab键自动补全）

安装完就可以正常使用啦。

导入Wordcloud库，使用wordcloud的WordCloud方法，注意 首字母大写 ，进行初始化设置：

其中， width 是图片宽度， height 是图片高度， background_color 是背景颜色， font_path 是字体文件路径（例子中的文件是微软雅黑字体，如果不加字体可能会出现无法显示中文的情况）。然后通过generate方法生成词云图。参数就是上面的words。

import wordcloud
wc=wordcloud.WordCloud(width=1500,height=1500,background_color="white",font_path="./msyh.ttc")
wc.generate(words)

还剩最后一步：

保存文件：通过 to_file() 方法将文件存储到本地。参数就是文件名。

wc.to_file( "image.jpg" )

如何找到字体文件：

C:\Windows\Fonts 路径下存储的是字体文件。找到

将其复制出来，放到你所编辑的py文件的相同目录。同样，保存的图片也是这个路径。

至此，这个生成词云图的小程序就结束啦！可能写的比较啰嗦，不是非常详细，不过只要你跟着做一遍，肯定会有很多收获。多做两次，你也会做词云图。

#导入所需库
import requests
from bs4 import BeautifulSoup
import wordcloud
import jieba
import time
#电影id
movie_id =24773958

#获取单页的评论，返回评论列表
def onepage(url):
    r = requests.get(url)
    r.encoding = "utf-8"
    html = r.text
    soup = BeautifulSoup(html,"html.parser")
    comments_sec = soup.find("div","mod-bd")
    comments_list =comments_sec.find_all("p", "")
    lst = []
    for i in range(len(comments_list)):
       lst.append(comments_list[i].text.strip())

    return lst

#获取多页评论，返回总列表
def parsepage(movie_id, page_num):
    data = []
    for i in range(page_num):
        url ="https://movie.douban.com/subject/" + str(movie_id) +"/comments?start=" + str(20 * i) + "&limit=20"
        data += onepage(url)
        print("parsing page %d" %(i+1))
        time.sleep(6)#每隔6秒爬取一页，豆瓣默认5秒，太频繁了不好哦

    return "".join(data)


def main():
    data = parsepage(movie_id, 10)#10为要爬取的页数
    all_comments = jieba.lcut(data)
    words = " ".join(all_comments)
    print("正在生成词云图……")
    wc=wordcloud.WordCloud(width=1500,height=1500,background_color="white",font_path="./msyh.ttc")
    wc.generate(words)
    wc.to_file("image.jpg")
    print("ok")

main()

效果图（实际效果可能和下图不同，颜色是每次随机改变的）：

一起来试试吧~~