豆瓣爬虫步骤
当然，豆瓣上面有很多其他的数据，值得我们爬取后做分析。但是本文我们仅仅爬取评论信息。
待爬取网址：
https://movie.douban.com/subject/34913671/comments?status=P
由于只有一个字段，我们直接使用re正则表达式，解决该问题。
那些爬虫小白看过来，这又是一个你们练手的好机会。
下面直接为大家讲述爬虫步骤：
# 1. 导入相关库，用什么库，都写在这里 import requests import chardet import re # 2. 构造请求头，这是一个反扒措施，初期学会总结，哪些网站都用了哪些，总结多了，用起来就得心应手。 headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36', #在爬虫里面如果出现了Referer最好也粘上去，因为有时候服务器会根据Referer来判断请求时由浏览器还是爬虫发出的 'Referer':'https://www.douban.com/' } # 3. 这个循环，类似于翻页操作 for i in range(0,1001,20): url = f"https://movie.douban.com/subject/34913671/comments?start={i}&limit=20&status=P&sort=new_score" # 4. 使用requests库发起请求 response = requests.get(url,headers=headers)#发起请求得到响应 # 5. 有时候返回结果可能会乱码，这里记得调用encoding属性，修改编码 response.encoding = "utf-8" # 6. 获取返回的结果，调用的是text属性。一定要区分text和content属性的区别 text = response.text#返回一个经过解码的字符串 # 7. 解析数据，这里直接使用正则解析 comments_list = [i for i in re.findall('<span class="short">(.*?)</span>',text,re.S)] # 8. 数据存储，针对列表中的每一条数据，我们直接使用open()函数，写入到txt文档 for comment in comments_list: with open(r"哆啦A梦：伴我同行2.txt","a",encoding = "utf-8") as f : f.write(comment + "\n")
最终效果如下：
词云图制作流程
很多同学不会制作词云图，借此机会，我这里写一套详细的流程，大家照猫画虎就行。
绘制词云图的详细步骤如下：
① 导入相关库；
② 读取文本文件，使用jieba库动态修改词典；
③ 使用jieba库中的lcut()方法进行分词；
④ 读取停用词，添加额外停用词，并去除停用词；
⑤ 词频统计；
⑥ 绘制词云图
① 导入相关库
在这里，你需要什么库，就导入什么库。
import jieba from wordcloud import WordCloud import matplotlib.pyplot as plt from imageio import imread import warnings warnings.filterwarnings("ignore")
② 读取文本文件，使用jieba库动态修改词典
这里with open()读取文本文件，我就不解释了。这里解释一下动态修改词典。
sentence = "湖北广水第三条街，有一条狗" list(jieba.cut(sentence))
结果如下：
针对上述切分结果，如果我们想把“湖北广水”和“第三条街”都当成一个完整词，而不切分开，怎么办呢？此时，就需要借助add_word()方法，动态修改词典。
sentence = "湖北广水第三条街，有一条狗" jieba.add_word("湖北广水") jieba.add_word("有一条狗") list(jieba.cut(sentence))
结果如下：
总结：
jieba.add_word()方法，只能一个个动态添加某个词语。
假如我们需要动态添加多个词语的时候，就需要使用jieba.load_userdict()方法。也就是说：将所有的自定义词语，放到一个文本中，然后使用该方法，一次性动态修改词典集。
有了上述基础，我们直接读取文本后，动态修改词典。
with open(r"哆啦A梦：伴我同行2.txt",encoding="utf-8") as f: txt = f.read() txt = txt.split() jieba.add_word("哆啦A梦") jieba.add_word("大雄")
③ 使用jieba库中的lcut()方法进行分词
短短的一行代码，很简单。
data_cut = [jieba.lcut(x) for x in txt]
④ 读取停用词，添加额外停用词，并去除停用词
读取停用词，采用split()函数切分后，会得到一个停用词列表。接着，采用+号将额外停用词，添加到列表中即可。
# 读取停用词 with open(r"stoplist.txt",encoding="utf-8") as f: stop = f.read() stop = stop.split() # 额外添加停用词，这里我们只添加了一个空格 stop = [" "] + stop # 去除停用词 s_data_cut = pd.Series(data_cut) all_words_after = s_data_cut.apply(lambda x:[i for i in x if i not in stop])
⑤ 词频统计
这里注意series中value_counts()的使用。
all_words = [] for i in all_words_after: all_words.extend(i) word_count = pd.Series(all_words).value_counts()
、
⑥ 绘制词云图
# 1、读取背景图片 back_picture = imread(r"aixin.jpg") # 2、设置词云参数 wc = WordCloud(font_path="simhei.ttf", background_color="white", max_words=2000, mask=back_picture, max_font_size=200, random_state=42 ) wc2 = wc.fit_words(word_count) # 3、绘制词云图 plt.figure(figsize=(16,8)) plt.imshow(wc2) plt.axis("off") plt.show() wc.to_file("ciyun.png")
结果如下：
