Python 爬取爱奇艺 52432 条数据分析
爬取数据
奇葩说是爱奇艺独播视频，所以这一次，笔者选取官方评论数据作为资源库，来进行数据分析。
使用 Chrome 查看源代码模式，在“奇葩说”播放页面往下面滑动，有一个get_comments 的请求，经过分析，这个接口就是获取评论数据的接口。
看一下接口地址和请求参数：
接口地址:
http://sns-comment.iqiyi.com/v3/comment/get_comments.action
参数：
"types":"time"
"business_type":"17"
"agent_type":"119"
"agent_version":"9.9.0"
"authcookie":"cookie"
"last_id": ""
"content_id": ""
其中 last_id 是用来进行分页的。
-
使用 Python 获取数据
上面的请求使用的 GET 方式，请求代码如下：
def saveMoveInfoToFile(movieId, movieName, lastId):
url = "http://sns-comment.iqiyi.com/v3/comment/get_comments.action?"
params = {
"types":"time",
"business_type":"17",
"agent_type":"119",
"agent_version":"9.9.0",
"authcookie":"authcookie"
}
if lastId != "":
params["last_id"] = lastId
for item in params:
url = url + item + "=" + params[item] + "&"
url = url + "content_id=" + movieId
responseTxt = getMoveinfo(url)
def getMoveinfo(url):
session = requests.Session()
headers = {
"User-Agent": "Mozilla/5.0",
"Accept": "application/json",
"Referer": "http://m.iqiyi.com/v_19rqriflzg.html",
"Origin": "http://m.iqiyi.com",
"Host": "sns-comment.iqiyi.com",
"Connection": "keep-alive",
"Accept-Language": "en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7,zh-TW;q=0.6",
"Accept-Encoding": "gzip, deflate"
}
response = session.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
请求返回的数据是 JSON ，这里笔者就不贴返回数据，直接解析存储。本处，笔者使用 SQLite3 进行数据存储。
-
解析数据
def parseData(movieId, movieName, htmlContent):
data = json.loads(htmlContent)['data']['comments']
lastId = "-1"
if json.dumps(data) == "[]":
return lastId
lastId = "-1"
for item in data:
originalData = json.dumps(item)
saveOriginalDataToDatabase(item["id"], movieId, movieName, originalData)
lastId = item['id']
return lastId
为了更方便后续进行数据分析，所以将拉下来的评论数据全部进行存储，防止多次去爬取数据。
数据存储在数据库中非常简单，一个简单的 insert 语句就可以搞定。代码如下：
def saveOriginalDataToDatabase(msgId, movieId, movieName, originalData):
conn = sqlite3.connect('i_can_i_bb.db')
conn.text_factory = str
cursor = conn.cursor()
ins="insert into originalData values (?,?,?,?)"
v = (movieId+ "_" + msgId, movieId, originalData, movieName)
cursor.execute(ins, v)
cursor.close()
conn.commit()
conn.close()
本次总共从爱奇艺抓取了 52432 条评论数据。
数据清洗与整理
从爱奇艺抓取的数据，并不是所有的数据我们都需要，这里，只需将我们想要的数据提取出来。
-
提取数据
此处将用户的个人信息、评论、评论时间、性别等数据提取出来，存储到另一张表中。后续数据分析就从新的表中拿取就可以了，处理逻辑如下：
def saveRealItem(id, originalData):
user = json.loads(originalData)
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
cursor = conn.cursor()
ins="insert into realData values (?,?,?,?,?,?,?,?)"
content = ""
if user.has_key("content"):
content = user["content"]
v = (id, content, user["userInfo"]["gender"], user["addTime"], user["userInfo"]["uname"], user["userInfo"]["uid"], user["id"], user["userInfo"]["uidType"])
cursor.execute(ins, v)
cursor.close()
conn.commit()
conn.close()
## 转换数据
if __name__ == '__main__':
conn = sqlite3.connect('i_can_i_bb.db')
conn.text_factory = str
cursor = conn.cursor()
cursor.execute("select * from originalData")
values = cursor.fetchall()
for item in values:
saveRealItem(item[0], item[2])
cursor.close()
conn.commit()
conn.close()
-
分析数据
在海量的数据中，我们可以分析出我们想看到的结果。为了更好的数据处理和可视化展示，笔者使用了 Pandas 和 Pyecharts 这两个库，很好用。
因爱奇艺用户数据维度有限，所以只能简单地分析性别。来综合看一下，奇葩说用户的男女比例。话不多说，先放代码：
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
data = pd.read_sql("select * from realData", conn)
genderData = data.groupby(['gender'])
rateDataCount = genderData["id"].agg([ "count"])
rateDataCount.reset_index(inplace=True)
print rateDataCount
attr = ["女", "男"]
v1 = [rateDataCount["count"][i] for i in range(0, rateDataCount.shape[0])]
pie = Pie("性别比例")
pie.add("", attr, v1, is_label_show=True)
pie.render("html/gender.html")
conn.commit()
conn.close()
使用 Pyecharts 画了一个简单的饼图：
男女比例图
从图中可以看出来，男女比例差不多到 1：2，看奇葩说的女性用户，比男性用户要多很多。也许，这也是这一季奇葩说情感话题比较多的一大原因。
接下来，我们再来看一下，每一期的评论数量，看是否能够得出一些不一样的数据。
还是先上代码：
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
data = pd.read_sql("select * from realData", conn)
movieIdData = data.groupby(['movieId'])
commentDataCount = movieIdData["movieId"].agg([ "count"])
commentDataCount.reset_index(inplace=True)
print commentDataCount
movies = {
"1629260900":u"第 22 期",
"1629256800":u"第 21 期",
## 后面的数据，这里不列出来
}
attr = [movies[commentDataCount["movieId"][i]] for i in range(0, commentDataCount.shape[0])]
v1 = [commentDataCount["count"][i] for i in range(0, commentDataCount.shape[0])]
bar = Bar("评论数量")
bar.add("数量",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
xaxis_interval=0,is_splitline_show=True,is_label_show=True)
bar.render("html/comment_count.html")
conn.commit()
conn.close()
跑出来的数据如下：
每期评论数量
从图中的数据我们可以看到，评论数量并不会因为更新早而变得更多。所以可以看出，奇葩说的用户群体是相对稳定的。不仅如此，我们也可以看出，在第 17 期评论数量比其他都要多，很有可能是这一期节目的话题更让用户关注。
分析了上面的两个数据，下面再分析一下评论时间分布，本次分析是按照星期来分析的，所以，还需要对数据进行一定的处理。将每一条评论所在星期更新到数据库中，代码如下：
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
cursor = conn.cursor()
cursor.execute("select * from realData")
values = cursor.fetchall()
cursor.close()
for item in values:
realTime = time.localtime(float(item[3]))
realTime = time.strftime("%A",realTime)
sql = "UPDATE `realData` SET `week`=\"" + realTime + "\" WHERE `id`=\"" + item[0] + "\""
cc = conn.cursor()
cc.execute(sql)
cc.close()
conn.commit()
conn.close()
time.localtime()
使用折线图分析如下：
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
data = pd.read_sql("select * from realData", conn)
movieIdData = data.groupby(['week'])
commentDataCount = movieIdData["week"].agg([ "count"])
commentDataCount.reset_index(inplace=True)
print commentDataCount
weekInfo = {
"Monday":u"周一",
"Tuesday":u"周二",
"Wednesday":u"周三",
"Thursday":u"周四",
"Friday":u"周五",
"Saturday":u"周六",
"Sunday":u"周日"
}
weeks = [
"Monday",
"Tuesday",
"Wednesday",
"Thursday",
"Friday",
"Saturday","Sunday"
]
attr = []
v1 = []
week_temp = [commentDataCount["week"][i] for i in range(0, commentDataCount.shape[0])]
for item in weeks:
attr.append(weekInfo[item])
index = week_temp.index(item)
v1.append(commentDataCount["count"][index])
bar = Line("天评论数量")
bar.add("数量",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
xaxis_interval=0,is_splitline_show=True,is_label_show=True)
bar.render("html/comment_week_count.html")
评论周期
可以看出，奇葩说的忠实用户基本是在更新当天就看，并且周五、周六、周日的评论数量远大于其他天。其实我们还可以分析，更新当天的 4 个小时内评论量有多大，感兴趣的读者可以尝试去跑一下数据。
而作为一名程序员，笔者平时基本是不写评论的，在这里，我们特地分析了一下评论字数的分布，不看不知道，一看吓一跳。先上代码：
# 先获取评论长度，并更新到数据库中
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
cursor = conn.cursor()
cursor.execute("select * from realData")
values = cursor.fetchall()
cursor.close()
for item in values:
content = item[1]
length = 0
if len(content) <= 20:
length = 0
elif len(content) > 20 and len(content) <= 50:
length = 1
elif len(content) > 50 and len(content) <= 100:
length = 2
else:
length = 3
sql = "UPDATE `realData` SET `length`=\"" + str(length) + "\" WHERE `id`=\"" + item[0] + "\""
cc = conn.cursor()
cc.execute(sql)
cc.close()
conn.commit()
conn.close()
time.localtime()
# 获取数量并展示
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
data = pd.read_sql("select * from realData", conn)
lengthData = data.groupby(['length'])
lengthDataCount = lengthData["movieId"].agg([ "count"])
lengthDataCount.reset_index(inplace=True)
print lengthDataCount
attr = ["20 字以内", "20~50 字", "50~100 字", "100 字以上"]
v1 = [lengthDataCount["count"][i] for i in range(0, lengthDataCount.shape[0])]
bar = Line("评论字数")
bar.add("数量",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
xaxis_interval=0,is_splitline_show=True,is_label_show=True)
bar.render("html/comment_word_count.html")
conn.commit()
conn.close()
分析结果如下：
评论字数分析
实在是没有想到，100 字以上的评论居然有 1/4，在这个移动端已成视频播放主要平台的时代，用户还能够花费较多精力写下评论，笔者还是比较震惊的。
最后，笔者将通过 jieba 把评论进行分词，然后再以 wordcloud 制作词云来看看，观众朋友的整体评价：
conn = sqlite3.connect('deal_data.db')
conn.text_factory = str
data = pd.read_sql("select * from realData", conn)
jieba.add_word("马薇薇", freq = 20000, tag = None)
comment = jieba.cut(str(data["content"]),cut_all=False)
wl_space_split = " ".join(comment)
backgroudImage = np.array(Image.open(r"./qipashuo.jpg"))
stopword = STOPWORDS.copy()
wc = WordCloud(width=1920,height=1080,background_color='white',
mask=backgroudImage,
font_path="/Users/zhaocheng/Documents/Deng.ttf",
stopwords=stopword,max_font_size=400,
random_state=50)
wc.generate_from_text(wl_space_split)
plt.imshow(wc)
plt.axis("off")
wc.to_file('html/word_cloud.png')
conn.commit()
conn.close()
词云图：
词云
通过上面的词云可以很明显地看出，李诞、（薛）教授、（詹）青云、马薇薇、（傅）首尔等人物名称高频地出现在了评论里面，他们才是这部综艺的焦点人物。