百度飞桨AIStudio-Python小白逆袭大神-Day5- 作业-综合大作业

---

大家好，我是EverdayForCode。你，今天学习了吗！

我太懒了，都结营一周多，我还没有把笔记写完！何来自律呀！五一放假五天，耍太嗨，连考试都没考，我是要凉了吗！

作业

作业要求

1. 完成爱奇艺《青春有你2》评论数据爬取：爬取任意一期正片视频下评论，评论条数不少于1000条 。
2. 词频统计并可视化展示 。
3. 绘制词云。
4. 结合PaddleHub，对评论进行内容审核。

作业具体步骤

第一步：爱奇艺《青春有你2》评论数据爬取(参考链接：https://www.iqiyi.com/v_19ryfkiv8w.html#curid=15068699100_9f9bab7e0d1e30c494622af777f4ba39)

• 爬取任意一期正片视频下评论
• 评论条数不少于1000条

第二步：词频统计并可视化展示

• 数据预处理：清理清洗评论中特殊字符（如：@#￥%、emoji表情符）,清洗后结果存储为txt文档
• 中文分词：添加新增词（如：青你、奥利给、冲鸭），去除停用词（如：哦、因此、不然、也好、但是）
• 统计top10高频词
• 可视化展示高频词

第三步：绘制词云

• 根据词频生成词云
• 可选项-添加背景图片，根据背景图片轮廓生成词云

第四步：结合PaddleHub，对评论进行内容审核

环境配置与准备

• 中文分词需要jieba
• 词云绘制需要wordcloud
• 可视化展示中需要的中文字体
• 网上公开资源中找一个中文停用词表
• 根据分词结果自己制作新增词表
• 准备一张词云背景图（附加项，不做要求，可用hub抠图实现）
• paddlehub配置

开发环境：AIStudio实训平台

代码实现

!pip install jieba
!pip install wordcloud

# Linux系统默认字体文件路径
!ls /usr/share/fonts/
# 查看系统可用的ttf格式中文字体
!fc-list :lang=zh | grep ".ttf"

!wget https://mydueros.cdn.bcebos.com/font/simhei.ttf # 下载中文字体
# #创建字体目录fonts
!mkdir .fonts
# # 复制字体文件到该路径
!cp simhei.ttf .fonts/

#安装模型
!hub install porn_detection_lstm==1.1.0
!pip install --upgrade paddlehub

# **引入相关库**
from __future__ import print_function
import requests
import json
import re #正则匹配
import time #时间处理模块
import jieba #中文分词
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
import matplotlib.font_manager as font_manager
from PIL import Image
from wordcloud import WordCloud  #绘制词云模块
import paddlehub as hub

# 请求爱奇艺评论接口，返回response信息
def getMovieinfo(url):
    '''
    请求爱奇艺评论接口，返回response信息
    参数  url: 评论的url
    :return: response信息
    '''
    headers = {
       'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:75.0) Gecko/20100101 Firefox/75.0'
    }

    session = requests.Session()
    response = session.get(url, headers = headers)
    if response.status_code == 200:
        return response.text
    return None

#解析json数据，获取评论
def saveMovieInfoToFile(lastId, arr):
    url='https://sns-comment.iqiyi.com/v3/comment/get_comments.action?agent_type=118&agent_version=9.11.5&authcookie=null&business_type=17&content_id=15068699100&page=&page_size=10&types=time&last_id='
    url+=str(lastId)
    responseTxt = getMovieinfo(url)
    responseJson=json.loads(responseTxt)
    comments=responseJson['data']['comments']
    for val in comments:
        # print(val.keys())
        if 'content' in val.keys():
            # print(val['content'])
            arr.append(val['content'])
        lastId = str(val['id'])
    return lastId

#去除文本中特殊字符
def clear_special_char(content):
    '''
    正则处理特殊字符
    参数 content:原文本
    return: 清除后的文本
    '''
    # s = re.sub(r"| |\t|\r", "", content)
    # s = re.sub(r"\n", " ", s)
    # s = re.sub(r"\*", "\\*", s)
    # s = re.sub('[^\u4e00-\u9fa5^a-z^A-Z^0-9]', '', s)
    # s = re.sub('[^\u0000-\uFFFF]', '', s)
    # s = re.sub('[a-zA-Z]', '', s)
    # s = re.sub('^\d+(\.\d+)?$', '', s)
    comp = re.compile('[^A-Z^a-z^0-9^\u4e00-\u9fa5]')
    return comp.sub('', content)

def fenci(text):
    '''
    利用jieba进行分词
    参数 text:需要分词的句子或文本
    return：分词结果
    '''
    # 添加自定义字典
    jieba.load_userdict('/home/aistudio/MyData/add_words.txt')
    seg = jieba.lcut(text, cut_all = False)
    return seg

def stopwordslist(file_path):
    '''
    创建停用词表
    参数 file_path:停用词文本路径
    return：停用词list
    '''
    stopwords = [line.strip() for line in open(file_path, encoding='utf8').readlines()]
    return stopwords

def movestopwords(sentence, stopwords, counts):
    '''
    去除停用词,统计词频
    参数 file_path:停用词文本路径 stopwords:停用词list counts: 词频统计结果
    return：None
    '''
    out = []
    for word in sentence:
        if word not in stopwords:
            if len(word) != 1:
                if word == '虞书' or word == '欣虞书' or word == '欣书' :
                    word = '虞书欣'
                elif word == '喻言冲' or word == '投喻言' or word == '言喻' :
                    word = '喻言'
                elif word == '谢可寅谢' or word == '可寅谢' or word == '可寅':
                    word = '谢可寅'
                elif word == '孔' or word== '雪儿' :
                    word = '孔雪儿'
                counts[word] = counts.get(word, 0) + 1

def drawcounts(counts, num):
    '''
    绘制词频统计表
    参数 counts: 词频统计结果 num:绘制topN
    return：none
    '''
    x_aixs=[]
    y_aixs=[]
    c_order=sorted(counts.items(), key=lambda x:x[1],reverse=True)
    for c in c_order[:num]:
        x_aixs.append(c[0])
        y_aixs.append(c[1])
    
    matplotlib.rcParams['font.sans-serif']=['SimHei']
    matplotlib.rcParams['axes.unicode_minus']=False
    plt.bar(x_aixs, y_aixs)
    plt.title('词频统计结果')
    plt.show()

def drawcloud(word_f):
    '''
    根据词频绘制词云图
    参数 word_f:统计出的词频结果
    return：none
    '''    
    cloud_mask=np.array(Image.open('/home/aistudio/MyData/brk1_w.jpg'))
    st=set(['东西', '这是'])
    wc=WordCloud(background_color='white',
    mask=cloud_mask,
    max_words=150,
    font_path='simhei.ttf',
    min_font_size=10,
    max_font_size=100,
    width=400,
    relative_scaling=0.3,
    stopwords=st)
    wc.fit_words(word_f)
    wc.to_file('/home/aistudio/MyData/pic.png')

def text_detection(test_text,file_path):
    '''
    使用hub对评论进行内容分析
    return：分析结果

    '''
    porn_detection_lstm = hub.Module(name='porn_detection_lstm')
    f = open('/home/aistudio/MyData/aqy.txt', 'r', encoding='utf8')
    for line in f:
        if len(line.strip()) == 1: # 判断评论长度是否为1
            continue
        else:
            test_text.append(line)
    f.close()
    input_dict = {'text': test_text}
    results = porn_detection_lstm.detection(data=input_dict, use_gpu=False, batch_size=1)
    # print(requests)
    for index,item in enumerate(results):
        if item['porn_detection_key'] == 'porn':
            print(item['text'],':',item['porn_probs'])

'''
评论是多分页的，得多次请求爱奇艺的评论接口才能获取多页评论,有些评论含有表情、特殊字符之类的
num 是页数，一页10条评论，假如爬取1000条评论，设置num=100
'''
if __name__ == "__main__":
    num = 105
    lastId = '0' # 接口分页id
    arr = [] # 爬取所有评论存放的数组
    with open('/home/aistudio/MyData/aqy.txt', 'a', encoding='utf8') as f: # 追加写文件
        for i in range(num):
            lastId = saveMovieInfoToFile(lastId,arr)
            # print(i)
            time.sleep(0.5) # 频繁访问爱奇艺接口可能会报错，睡眠0.5秒
        for item in arr:
            Item = clear_special_char(item)
            if Item.strip() != '':
                try:
                    f.write(Item+'\n')
                    # print(Item)
                except Exception as e:
                    print("含有特殊字符")
    print("\n**********共爬取评论***********：",len(arr))
    f = open("/home/aistudio/MyData/aqy.txt",'r',encoding='utf8')
    counts = {}
    for line in f:
        words = fenci(line)
        stopwords = stopwordslist('/home/aistudio/MyData/cn_stopwords.txt')
        movestopwords(words,stopwords,counts)
    drawcounts(counts,10) # 绘制top10 高频词
    drawcloud(counts) # 绘制词语
    f.close()
    
    '''
    使用hub对评价内容进行分析
    '''
    file_path = '/home/aistudio/MyData/aqy.txt'
    test_text = []
    text_detection(test_text,file_path)
    

结果展示

爬取评论条数

评论审核（不良**）

词云

加油吧！咸鱼。