大家好，我是志斌~
五一档的电影已经开播好几天了，要说最为好看的可谓是张艺谋导演《悬崖之上》了，在五一档电影中评分排名第一，并且在昨天综合已经超过《你的婚礼》，排在五一档电影第一名。
虽然总票房还差一点，但是我觉得总票房升上去只是时间问题，毕竟拍片场次那么高。
本文通过爬取《悬崖之上》豆瓣短评，进行数据可视化分析，在后台回复【悬崖】即可获得全部代码。
01数据采集
在之前的文章我们已经对豆瓣短评的数据采集有过详细的介绍，有不懂的小伙伴可以看看这篇文章我用python分析《你好，李焕英》豆瓣30万+评论，终于找到了它大卖的原因。这里我们直接展示爬虫核心代码：
for page in range(80): try: params = ( ('start', str(page * 20)), ('limit', '20'), ('status', 'P'), ('sort', 'new_score'), ('comments_only', '1'), ('ck', 'qN8_'), ) r = requests.get('https://movie.douban.com/subject/32493124/comments', headers=headers, params=params, cookies=cookies) yonghumingchengs = re.findall('<a title="(.*?)href.*?">', r.json()['html'], re.S) youyongshus = re.findall('<span class="votes vote-count">(.*?)</span>', r.json()['html'], re.S) pinglunshijians = re.findall('<span class="comment-time " title="(.*?)">', r.json()['html'], re.S) pingluns = re.findall('<span class="short">(.*?)</span>', r.json()['html'], re.S) for i in range(20): a = a + 1 sheet.append([yonghumingchengs[i], youyongshus[i], pinglunshijians[i].split()[0].split("-")[-1], pinglunshijians[i].split()[1].split(":")[0], pingluns[i]]) print(f"已爬取完第{page}页数据,存入{i + 1}条数据....") except: wb.save("全部.xlsx") print(f"共爬取{page}页数据，存入{a}条数据....") ~~~
02数据清洗
01合并Excel
因为是分全部、好评、一般、差评四个部分来对影评进行爬取的，所以我们要对这四个影评文件夹进行合并。代码如下：
for i in files: wb = openpyxl.load_workbook(i) sheet = wb['豆瓣评论'] for i in range(2,502): A_cell = sheet[f'A{i}'] B_cell = sheet[f'B{i}'] C_cell = sheet[f'C{i}'] D_cell = sheet[f'D{i}'] E_cell = sheet[f'E{i}'] a = [A_cell.value,int(B_cell.value),int(C_cell.value),int(D_cell.value),E_cell.value] sheet_1.append(a) ~~~
02导入评论数据
用pandas读取合并后的影评数据并预览。
df = pd.read_excel('总.xlsx',names=['用户名称','点赞数','评论日期','评论时间','评论内容']) print(df.head())
03删除重复数据
df.drop_duplicates()
04查看数据类型
查看字段类型和缺失值情况，符合分析需要，无需另做处理。
df.info()
03数据可视化
01各类评论占比
这部电影的短评数有7w+，好评竟能占到快80%，果然张艺谋导演的剧都是好剧~，建议大家抓住五一的小尾巴，去刷一下这个剧。
主演提及次数
这部影片一共有五个主演，没想到男一张译和女一秦海璐竟然不是被提及次数最多的，反而是刘浩存被提及次数最多，那让我们来看看大家在影评中都是怎么评价她的。
从词云图中看出，作为新晋的谋女郎，刘浩存确实实力很强，演技很好，同时影片中的角色也很好，可能是这样才导致它的被提及次数成为第一吧。
各类星级占比
从图中，我们可以明显的看出，打4星的观众最多，占了54%，其次是3星和5星，分别占26%和17%。这样看来，观众还是非常肯定这部影片的。
04论发表时间分布
从图中，我们可以看出，大部分影评发表时间在晚上和凌晨，白天发表影评的数量很少，影院可以适当增加晚上和凌晨的场次。
03小结
1. 本文仅供学习研究使用，提供的评论仅供参考。
2. 本人对影视的了解有限，言论粗糙，还请勿怪
