用python爬取3万多条评论，看韩国人如何评价韩国电影《寄生虫》？

大家好，我是朱小五

今天给大家带来一个关于电影的数据分析文章。

别走啊，这次不是豆瓣，也不是猫眼

真的

今天分析的电影是韩国电影《寄生虫》。

它是由韩国导演奉俊昊自编自导的影片，一举拿下最佳影片、最佳导演、最佳原创剧本和最佳国际电影四座奥斯卡奖杯，创造历史成为奥斯卡史上首部非英语最佳影片。

nb plus!

这次带大家看看韩国人如何评价这部韩国电影的？

 

获取数据

数据从哪获取呢？

我们先打开韩国最大门户网站NAVER

找到영화（电影）板块，搜索기생충（寄生虫）并打开

上面介绍部分跟猫眼专业版一样，各种评分、演职员表、评分男女比例、年龄分布。

在评论区部分，它其实有点像是豆瓣和猫眼的综合体，无论看没看过都可以评价打分，不过看过的会单独有个小标识。

我们下划到评论区

下图中可以看到，目前有36360条评价，我们想要获取的数据是黑框中的内容。

包括每条留言的评论人昵称、评论时间、评分、评论内容以及这条评论得到的赞或踩。

下面开始爬取评论数据

利用requests和pyquery爬取数据，展示部分源码，完整版关注微信公众号【凹凸数据】后回复“寄生虫”。

def main():
    data = []
    for i in range(1,200):    #爬取多少页
        url = 'https://movie.naver.com/movie/bi/mi/pointWriteFormList.nhn?code=161967&type=after&onlyActualPointYn=N&onlySpoilerPointYn=N&order=newest&page='+str(i)
        print('准备采集第{}页数据'.format(i))
        html = restaurant(url)
        doc = pq(html)
        for i in range(0,10):
            print(i)
            dic = {}
            dic['star'] = doc('li:nth-child(' + str(i+1) +') > div.star_score > em').text()
            dic['text'] = doc('#_filtered_ment_' + str(i)).text()
            dic['datetime'] = doc('li:nth-child(' + str(i+1) +') > div.score_reple > dl > dt > em:nth-child(2)').text()
            dic['name'] = doc('li:nth-child(' + str(i+1) +') > div.score_reple > dl > dt > em:nth-child(1) > a').text()
            dic['zan'] = doc('li:nth-child(' + str(i+1) +') > div.btn_area > a._sympathyButton > strong').text()
            dic['cai'] = doc('li:nth-child(' + str(i+1) +') > div.btn_area > a._notSympathyButton > strong').text()
            data.append(dic)
        #time.sleep(random.random())
        pd.DataFrame(data).to_csv('寄生虫评论.csv',encoding="utf_8",index = False)
    return data

运行结果：

歪瑞古德！

这样我们就成功获取了韩国人评价韩国电影《寄生虫》的评论数据！

 

数据整理

我们简单看一下数据

共35940条，比上文截图时候少了一点，这是因为我爬取和写这篇文章的时候有一点时间间隔，所以这个小问题请忽略。

另外，非常明显，评论字段缺失了很多。

我查看了一下，认为是在这个网站观看过电影的人可以只打分，不写评论。

（有点像在猫眼上买了电影票，评论时候同样可以只打分，不写评论）

简单补齐它吧，直接删除还是会影响整体的评分的。

def data_cleaning(df):
    cols = df.columns
    for col in cols:
        if df[col].dtype ==  'object':
            df[col].fillna('缺失数据', inplace = True)
        else:
            df[col].fillna(0, inplace = True)
    return(df)

这样我们就补全了缺失值

简单看一下平均分吧

看来这就是韩国观众的打分（9.07）比网民对《寄生虫》虫的评价（8.48）要高。

这与国内的情况也是相似的，同一部电影猫眼淘票票的分数普遍比豆瓣上要高。

毕竟真金白银去看电影的人，肯定会认为它是一部好片子才去看。

只要不像被《爱情公墓》一样诈骗，基本观众的分数不会太低。

后面想讲韩国网友的评论做一个词云，这样的话我们就需要先将评论中的韩文翻译成中文。

 

翻译评论

采用哪个翻译软件呢？

尝试了几个常见的翻译，发现结果都大同小异。

干脆采用了之前自己用过的有道翻译小接口。

def translate(text):
    url = 'http://fanyi.youdao.com/translate?&doctype=json&type=KR2ZH_CN&i='+ text
    requ_text = requests.get(url)
    json_text = requ_text.json()
    data = json_text['translateResult'][0][0]['tgt']
    time.sleep(2+random.random())
    print('翻译中')
    return data

将评论列翻译，并新建一列用以做词云

ata['text_t'] = data.apply(lambda x :translate(x['text']), axis=1)

运行结果

额，这个翻译一言难尽，不过大体意思还是可以看懂的，不太影响做词云。

接下来我们开始尝试做做图。

 

分析与可视化

正常利用python分析电影评论都有一个环节是男女比例和评分比例，这次我们并没有获得相关数据，那么就用NAVER网站提供的结果图简单的讲一下吧。

观看人群的性别比例非常均衡，各占50%。

各年龄段均有分布，其中[20，30）的观看人群最多。为什么10-20岁的青少年观看这么少呢？后面词云部分会回答这个问题。

在上图普通网民的评价中，女性评分更高一些。随着年龄的增长，评分越低，难道是越是年龄大的人越看透了韩国的现状？

他们主要的欣赏点依次是“导演”、“演技”、“故事”、“视觉效果”、“电影原声”。

 

至于看过电影的观众打分比普通网民会高，平均9.07分，而且男性比女性要略高。其他方面大体相似，就不讲了。

我们再看一下，韩国观众对电影《寄生虫》评论数量的时间走势。

plt.figure(figsize=(8,5), dpi=200)
x = score_by_time.index.date
y = score_by_time.values
plt.plot(x,y,c="g",marker=".",ls="-")

plt.title("韩国电影《寄生虫》评论数走势图")
plt.xlabel("月份")
plt.ylabel("评论数")

结果如下

可以明显看到，评论数量在电影《寄生虫》上映后达到一个高峰，而后随着时间的推移，数量逐渐减少。

之后有两个小高峰，分别是2019年8月初和2020年2月初。

通过查找新闻信息，收集到了两个消息：

1、韩国电影《寄生虫》，预计将在8月6日公开流媒体服务（就相当于我国的爱奇艺、优酷类似的平台）。

2、《寄生虫》2月10日拿下四项奥斯卡大奖后，在韩国的热度继续上升。

这样大家应该就解释清楚两个小高峰的问题啦。

最后我们再利用有道翻译好的评论数据做个WordCloud词云吧。

在对主创人员的讨论中，奉俊昊导演的功力和宋康昊的杰出演技被多次提及，电影中提到的“气味”“果酱”“戒指”也被多次探讨，故事中对社会与现实的反思也是热门的讨论话题。

前文我提到了为什么10-20岁的青少年观看这么少呢？而且词云中“15”这个关键词也比较突出。

这是因为韩国于1998年建立电影分级制度。规定电影分为5个等级：全民、12岁以上、15岁以上、18岁以上可以观看和限制放映。

而《寄生虫》在韩国获得了“15岁以上可以观影”的等级判定。

对作品内容就不做评价了。

以上。

 

本文首发于微信公众号【凹凸数据】，作者：朱小五。

如果对文中源码感兴趣，可以关注后回复“寄生虫”。