Python 爬取愛奇藝 52432 條資料分析
阿新 • • 發佈：2018-12-22
爬取資料
奇葩說是愛奇藝獨播視訊，所以這一次，筆者選取官方評論資料作為資源庫，來進行資料分析。
使用 Chrome 檢視原始碼模式，在“奇葩說”播放頁面往下面滑動，有一個get_comments 的請求，經過分析，這個介面就是獲取評論資料的介面。
看一下介面地址和請求引數：
介面地址: http://sns-comment.iqiyi.com/v3/comment/get_comments.action 引數： "types":"time" "business_type":"17" "agent_type":"119" "agent_version":"9.9.0" "authcookie":"cookie" "last_id": "" "content_id": ""
其中 last_id 是用來進行分頁的。
-
使用 Python 獲取資料
上面的請求使用的 GET 方式，請求程式碼如下：
def saveMoveInfoToFile(movieId, movieName, lastId): url = "http://sns-comment.iqiyi.com/v3/comment/get_comments.action?" params = { "types":"time", "business_type":"17", "agent_type":"119", "agent_version":"9.9.0", "authcookie":"authcookie" } if lastId != "": params["last_id"] = lastId for item in params: url = url + item + "=" + params[item] + "&" url = url + "content_id=" + movieId responseTxt = getMoveinfo(url) def getMoveinfo(url): session = requests.Session() headers = { "User-Agent": "Mozilla/5.0", "Accept": "application/json", "Referer": "http://m.iqiyi.com/v_19rqriflzg.html", "Origin": "http://m.iqiyi.com", "Host": "sns-comment.iqiyi.com", "Connection": "keep-alive", "Accept-Language": "en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7,zh-TW;q=0.6", "Accept-Encoding": "gzip, deflate" } response = session.get(url, headers=headers) if response.status_code == 200: return response.text return None
請求返回的資料是 JSON ，這裡筆者就不貼返回資料，直接解析儲存。本處，筆者使用 SQLite3 進行資料儲存。
-
解析資料
def parseData(movieId, movieName, htmlContent): data = json.loads(htmlContent)['data']['comments'] lastId = "-1" if json.dumps(data) == "[]": return lastId lastId = "-1" for item in data: originalData = json.dumps(item) saveOriginalDataToDatabase(item["id"], movieId, movieName, originalData) lastId = item['id'] return lastId
為了更方便後續進行資料分析，所以將拉下來的評論資料全部進行儲存，防止多次去爬取資料。
資料儲存在資料庫中非常簡單，一個簡單的 insert 語句就可以搞定。程式碼如下：
def saveOriginalDataToDatabase(msgId, movieId, movieName, originalData):
conn = sqlite3.connect('i_can_i_bb.db')
conn.text_factory = str
cursor = conn.cursor()
ins="insert into originalData values (?,?,?,?)"
v = (movieId+ "_" + msgId, movieId, originalData, movieName)
cursor.execute(ins, v)
cursor.close()
conn.commit()
conn.close()
本次總共從愛奇藝抓取了 52432 條評論資料。
資料清洗與整理
從愛奇藝抓取的資料，並不是所有的資料我們都需要，這裡，只需將我們想要的資料提取出來。
-
提取資料
此處將使用者的個人資訊、評論、評論時間、性別等資料提取出來，儲存到另一張表中。後續資料分析就從新的表中拿取就可以了，處理邏輯如下：
def saveRealItem(id, originalData):
user = json.loads(originalData)
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
cursor = conn.cursor()
ins="insert into realData values (?,?,?,?,?,?,?,?)"
content = ""
if user.has_key("content"):
content = user["content"]
v = (id, content, user["userInfo"]["gender"], user["addTime"], user["userInfo"]["uname"], user["userInfo"]["uid"], user["id"], user["userInfo"]["uidType"])
cursor.execute(ins, v)
cursor.close()
conn.commit()
conn.close()
## 轉換資料
if __name__ == '__main__':
conn = sqlite3.connect('i_can_i_bb.db')
conn.text_factory = str
cursor = conn.cursor()
cursor.execute("select * from originalData")
values = cursor.fetchall()
for item in values:
saveRealItem(item[0], item[2])
cursor.close()
conn.commit()
conn.close()
-
分析資料
在海量的資料中，我們可以分析出我們想看到的結果。為了更好的資料處理和視覺化展示，筆者使用了 Pandas 和 Pyecharts 這兩個庫，很好用。
因愛奇藝使用者資料維度有限，所以只能簡單地分析性別。來綜合看一下，奇葩說使用者的男女比例。話不多說，先放程式碼：
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
data = pd.read_sql("select * from realData", conn)
genderData = data.groupby(['gender'])
rateDataCount = genderData["id"].agg([ "count"])
rateDataCount.reset_index(inplace=True)
print rateDataCount
attr = ["女", "男"]
v1 = [rateDataCount["count"][i] for i in range(0, rateDataCount.shape[0])]
pie = Pie("性別比例")
pie.add("", attr, v1, is_label_show=True)
pie.render("html/gender.html")
conn.commit()
conn.close()
使用 Pyecharts 畫了一個簡單的餅圖：
男女比例圖
從圖中可以看出來，男女比例差不多到 1：2，看奇葩說的女性使用者，比男性使用者要多很多。也許，這也是這一季奇葩說情感話題比較多的一大原因。
接下來，我們再來看一下，每一期的評論數量，看是否能夠得出一些不一樣的資料。
還是先上程式碼：
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
data = pd.read_sql("select * from realData", conn)
movieIdData = data.groupby(['movieId'])
commentDataCount = movieIdData["movieId"].agg([ "count"])
commentDataCount.reset_index(inplace=True)
print commentDataCount
movies = {
"1629260900":u"第 22 期",
"1629256800":u"第 21 期",
## 後面的資料，這裡不列出來
}
attr = [movies[commentDataCount["movieId"][i]] for i in range(0, commentDataCount.shape[0])]
v1 = [commentDataCount["count"][i] for i in range(0, commentDataCount.shape[0])]
bar = Bar("評論數量")
bar.add("數量",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
xaxis_interval=0,is_splitline_show=True,is_label_show=True)
bar.render("html/comment_count.html")
conn.commit()
conn.close()
跑出來的資料如下：
每期評論數量
從圖中的資料我們可以看到，評論數量並不會因為更新早而變得更多。所以可以看出，奇葩說的使用者群體是相對穩定的。不僅如此，我們也可以看出，在第 17 期評論數量比其他都要多，很有可能是這一期節目的話題更讓使用者關注。
分析了上面的兩個資料，下面再分析一下評論時間分佈，本次分析是按照星期來分析的，所以，還需要對資料進行一定的處理。將每一條評論所在星期更新到資料庫中，程式碼如下：
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
cursor = conn.cursor()
cursor.execute("select * from realData")
values = cursor.fetchall()
cursor.close()
for item in values:
realTime = time.localtime(float(item[3]))
realTime = time.strftime("%A",realTime)
sql = "UPDATE `realData` SET `week`=\"" + realTime + "\" WHERE `id`=\"" + item[0] + "\""
cc = conn.cursor()
cc.execute(sql)
cc.close()
conn.commit()
conn.close()
time.localtime()
使用折線圖分析如下：
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
data = pd.read_sql("select * from realData", conn)
movieIdData = data.groupby(['week'])
commentDataCount = movieIdData["week"].agg([ "count"])
commentDataCount.reset_index(inplace=True)
print commentDataCount
weekInfo = {
"Monday":u"週一",
"Tuesday":u"週二",
"Wednesday":u"週三",
"Thursday":u"週四",
"Friday":u"週五",
"Saturday":u"週六",
"Sunday":u"週日"
}
weeks = [
"Monday",
"Tuesday",
"Wednesday",
"Thursday",
"Friday",
"Saturday","Sunday"
]
attr = []
v1 = []
week_temp = [commentDataCount["week"][i] for i in range(0, commentDataCount.shape[0])]
for item in weeks:
attr.append(weekInfo[item])
index = week_temp.index(item)
v1.append(commentDataCount["count"][index])
bar = Line("天評論數量")
bar.add("數量",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
xaxis_interval=0,is_splitline_show=True,is_label_show=True)
bar.render("html/comment_week_count.html")
評論週期
可以看出，奇葩說的忠實使用者基本是在更新當天就看，並且週五、週六、週日的評論數量遠大於其他天。其實我們還可以分析，更新當天的 4 個小時內評論量有多大，感興趣的讀者可以嘗試去跑一下資料。
而作為一名程式設計師，筆者平時基本是不寫評論的，在這裡，我們特地分析了一下評論字數的分佈，不看不知道，一看嚇一跳。先上程式碼：
# 先獲取評論長度，並更新到資料庫中
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
cursor = conn.cursor()
cursor.execute("select * from realData")
values = cursor.fetchall()
cursor.close()
for item in values:
content = item[1]
length = 0
if len(content) <= 20:
length = 0
elif len(content) > 20 and len(content) <= 50:
length = 1
elif len(content) > 50 and len(content) <= 100:
length = 2
else:
length = 3
sql = "UPDATE `realData` SET `length`=\"" + str(length) + "\" WHERE `id`=\"" + item[0] + "\""
cc = conn.cursor()
cc.execute(sql)
cc.close()
conn.commit()
conn.close()
time.localtime()
# 獲取數量並展示
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
data = pd.read_sql("select * from realData", conn)
lengthData = data.groupby(['length'])
lengthDataCount = lengthData["movieId"].agg([ "count"])
lengthDataCount.reset_index(inplace=True)
print lengthDataCount
attr = ["20 字以內", "20~50 字", "50~100 字", "100 字以上"]
v1 = [lengthDataCount["count"][i] for i in range(0, lengthDataCount.shape[0])]
bar = Line("評論字數")
bar.add("數量",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
xaxis_interval=0,is_splitline_show=True,is_label_show=True)
bar.render("html/comment_word_count.html")
conn.commit()
conn.close()
分析結果如下：
評論字數分析
實在是沒有想到，100 字以上的評論居然有 1/4，在這個移動端已成視訊播放主要平臺的時代，使用者還能夠花費較多精力寫下評論，筆者還是比較震驚的。
最後，筆者將通過 jieba 把評論進行分詞，然後再以 wordcloud 製作詞雲來看看，觀眾朋友的整體評價：
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
data = pd.read_sql("select * from realData", conn)
jieba.add_word("馬薇薇", freq = 20000, tag = None)
comment = jieba.cut(str(data["content"]),cut_all=False)
wl_space_split = " ".join(comment)
backgroudImage = np.array(Image.open(r"./qipashuo.jpg"))
stopword = STOPWORDS.copy()
wc = WordCloud(width=1920,height=1080,background_color='white',
mask=backgroudImage,
font_path="/Users/zhaocheng/Documents/Deng.ttf",
stopwords=stopword,max_font_size=400,
random_state=50)
wc.generate_from_text(wl_space_split)
plt.imshow(wc)
plt.axis("off")
wc.to_file('html/word_cloud.png')
conn.commit()
conn.close()
詞雲圖：
詞雲
通過上面的詞雲可以很明顯地看出，李誕、（薛）教授、（詹）青雲、馬薇薇、（傅）首爾等人物名稱高頻地出現在了評論裡面，他們才是這部綜藝的焦點人物。