[python] 《一出好戏》讲述人性，使用Python抓取猫眼近10万条评论并分析，一起揭秘“这出好戏”到底如何？

• 获取数据
  
• 处理数据
  
• 存储数据
  
• 数据可视化
  

• 返回的是json格式数据
  

• 1203084表示电影的专属id；offset表示偏移量；startTime表示获取评论的起始时间，从该时间向前取数据，即获取最新的评论
  

• cmts表示评论，每次获取15条，offset偏移量是指每次获取评论时的起始索引，向后取15条
  

• hcmts表示热门评论前10条
  

• total表示总评论数
  

# coding=utf-8
__author__ = '汤小洋'
from urllib import request
import json
import time
from datetime import datetime
from datetime import timedelta

# 获取数据，根据url获取
def get_data(url):
  headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36'
  }
  req = request.Request(url, headers=headers)
  response = request.urlopen(req)
  if response.getcode() == 200:
    return response.read()
  return None
if __name__ == '__main__':
  html = get_data('http://m.maoyan.com/mmdb/comments/movie/1203084.json?_v_=yes&offset=0&startTime=2018-07-28%2022%3A25%3A03')
  print(html)

# 处理数据
def parse_data(html):
  data = json.loads(html)['cmts']  # 将str转换为json
  comments = []
  for item in data:
    comment = {
      'id': item['id'],
      'nickName': item['nickName'],
      'cityName': item['cityName'] if 'cityName' in item else '',  # 处理cityName不存在的情况
      'content': item['content'].replace('\n', ' ', 10),  # 处理评论内容换行的情况
      'score': item['score'],
      'startTime': item['startTime']
    }
    comments.append(comment)
  return comments
if __name__ == '__main__':
  html = get_data('http://m.maoyan.com/mmdb/comments/movie/1200486.json?_v_=yes&offset=0&startTime=2018-07-28%2022%3A25%3A03')
  comments = parse_data(html)
  print(comments)

# 存储数据，存储到文本文件
def save_to_txt():
  start_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')  # 获取当前时间，从当前时间向前获取
  end_time = '2018-08-10 00:00:00'
  while start_time > end_time:
    url = 'http://m.maoyan.com/mmdb/comments/movie/1203084.json?_v_=yes&offset=0&startTime=' + start_time.replace(' ', '%20')
    html = None
    '''
      问题：当请求过于频繁时，服务器会拒绝连接，实际上是服务器的反爬虫策略
      解决：1.在每个请求间增加延时0.1秒，尽量减少请求被拒绝
         2.如果被拒绝，则0.5秒后重试
    '''
    try:
      html = get_data(url)
    except Exception as e:
      time.sleep(0.5)
      html = get_data(url)
    else:
      time.sleep(0.1)
    comments = parse_data(html)
    print(comments)
    start_time = comments[14]['startTime']  # 获得末尾评论的时间
    start_time = datetime.strptime(start_time, '%Y-%m-%d %H:%M:%S') + timedelta(seconds=-1)  # 转换为datetime类型，减1秒，避免获取到重复数据
    start_time = datetime.strftime(start_time, '%Y-%m-%d %H:%M:%S')  # 转换为str
    for item in comments:
      with open('comments.txt', 'a', encoding='utf-8') as f:
        f.write(str(item['id'])+','+item['nickName'] + ',' + item['cityName'] + ',' + item['content'] + ',' + str(item['score'])+ ',' + item['startTime'] + '\n')

if __name__ == '__main__':
  # html = get_data('http://m.maoyan.com/mmdb/comments/movie/1200486.json?_v_=yes&offset=0&startTime=2018-07-28%2022%3A25%3A03')
  # comments = parse_data(html)
  # print(comments)
  save_to_txt()

• 服务器一般都有反爬虫策略，当请求过于频繁时，服务器会拒绝部分连接，我这里是通过增加每个请求间延时来解决，只是一种简单的解决方案，还望各位看客理解包涵
  
• 根据数据量的多少，抓取数据所需时间会有所不同，我抓取的是2018-8-19到2018-8-10(上映当天)之间的数据，大概花了2个小时，共抓取约9.2万条评论数据
  

• 评论中多次出现“可以”、“好看”、“不错”等热词，说明观众对《一出好戏》的总体评价还是很不错的
  
• 同时对该影片中“张艺兴”的“演技”也给予了很大的认可，我本人今天在观看后也有同感，让我们看到了不一样的张艺兴，实力演员
  
• 对于初次“导演”电影的“黄渤”，能拍出这样的影片，粉丝们也是比较肯定的，同时其本身就是票房的保障
  
• 至于剧情方面，“现实”、“喜剧”、“搞笑”、“故事”等词语，能看出这是一部反映现实的故事片，同时也兼具喜剧搞笑
  
• 对于评论中出现的“一般”、“失望”等，这些粉丝或许是和我一样，本以为这是一部爆笑喜剧片，笑点应该会很多（毕竟在我们心中，黄渤、王宝强等就是笑星），没想到笑点并不很多，至少与期待的有差距，导致心里有落差的原因吧^_^