本文旨在提供爬取豆瓣电影《我不是药神》评论和词云展示的代码样例
1、分析URL
2、爬取前10页评论
3、进行词云展示
1、分析URL
我不是药神 短评
第一页url
https://movie.douban.com/subject/26752088/comments?start=0&limit=20&sort=new_score&status=P
第二页url
https://movie.douban.com/subject/26752088/comments?start=20&limit=20&sort=new_score&status=P
…
…
…
第十页url
https://movie.douban.com/subject/26752088/comments?start=180&limit=20&sort=new_score&status=P
分析发现每次变化的只是…strat=后面的数字，其他内容不变，可以以此遍历每一页的评论。
2、爬取前10页评论
代码：
import urllib.request
from bs4 import BeautifulSoup
def getHtml(url):
"""获取url页面"""
headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36‘}
req = urllib.request.Request(url,headers=headers)
req = urllib.request.urlopen(req)
content = req.read().decode(‘utf-8‘)
return contentdef getComment(url):
"""解析HTML页面"""
#html = getHtml(url)
response = urllib.request.urlopen(url)
html = response.read()
html = html.decode(‘utf-8‘,‘ignore‘)
soupComment = BeautifulSoup(html, ‘html.parser‘)
comments = soupComment.findAll(‘span‘, ‘short‘)
onePageComments = []
for comment in comments:
# print(comment.getText()+‘\n‘)
onePageComments.append(comment.getText()+‘\n‘)
return onePageCommentsif name == ‘main‘:
f = open(‘我不是药神page10.txt‘, ‘w‘, encoding=‘utf-8‘)
for page in range(10): #爬取10页的评论
url = ‘https://movie.douban.com/subject/26752088/comments?start=‘ + str(20*page) + ‘&limit=20&sort=new_score&status=P‘
print(‘第%s页的评论:‘ % (page+1))
print(url + ‘\n‘)
for i in getComment(url):
f.write(i)
print(i)
print(‘\n‘)
★★问题出现：
（1）当IDLE Python3.5运行时出现下面问题：
运行结果的文件“我不是药神page10.txt”是空白的
（2）在cmd下运行出现：
运行结果的文件“我不是药神page10.txt”是只有一小部分
★★★★完美解决办法：
修改控制台编码：
命令行输入 chcp
输出显示：活动代码页： 936
表示当前的编码是默认的gbk
修改编码：
命令行输入 chcp 65001
表示转换成utf8
字体选择Lucida Console
然后可以成功print爬取的中文文章★★★★★★★★常见编码：
utf8 所有语言
gbk 简体中文
gb2312 简体中文
gb18030 简体中文
big5 繁体中文
big5hkscs 繁体中文3、进行词云展示
代码：
import matplotlib.pyplot as plt
from wordcloud import WordCloud
from scipy.misc import imread
import jieba
text = open("我不是药神page20.txt","rb").read()
结巴分词
wordlist = jieba.cut(text,cut_all=True)
wl = " ".join(wordlist)
print(wl)#输出分词之后的txt
把分词后的txt写入文本文件
fenciTxt = open("fenciHou.txt","w+")
fenciTxt.writelines(wl)
fenciTxt.close()
设置词云
wc = WordCloud(background_color = "white", #设置背景颜色
mask = imread(‘hai.jpg‘), #找张图片设置背景图片
max_words = 2000, #设置最大显示的字数
stopwords = ["的", "这种", "这样", "还是", "就是", "这个"], #设置停用词
font_path = "C:\Windows\Fonts\simkai.ttf", # 设置为楷体 常规
#设置中文字体，使得词云可以显示（词云默认字体是“DroidSansMono.ttf字体库”，不支持中文）
max_font_size = 60, #设置字体最大值
random_state = 30, #设置有多少种随机生成状态，即有多少种配色方案
)
myword = wc.generate(wl)#生成词云
wc.to_file(‘result.jpg‘)
展示词云图
plt.imshow(myword)
plt.axis("off")
plt.show()
结果：
原文地址：https://www.cnblogs.com/huangrenhui/p/10231079.html