我用 Python 抓取《大秦赋》“相关数据”，发现了这些秘密......-轻识

前言

最近，最火的电视剧莫过于《大秦赋了》，自12月1日开播后，收获了不错的口碑。然而随着电视剧的跟新，该剧在网上引起了激烈的讨论，不仅口碑急剧下滑，颇有高开低走的趋势，同时该剧的评分也由最初的8.9分，下降到了现在的6.5分。

虽然我还没有看过这个新剧，但是对于小伙伴们讨论的内容，却颇有兴趣（主要还是大家老是讨论这个剧）。因此，我用Python爬取了《大秦赋》的相关数据，进行了一波分析。

数据爬取

巧妇难为无米之炊，做数据分析之前最重要的就是“数据获取”。于是，我准备用Python爬取豆瓣上的短评数据以及一些评论时间信息、评价星级信息。

关于数据的爬取主要说以下几个内容：

1）关于翻页操作

第一页：
https://movie.douban.com/subject/26413293/comments?status=P
第二页：
https://movie.douban.com/subject/26413293/comments?start=20&limit=20&status=P&sort=new_score
第三页：
https://movie.douban.com/subject/26413293/comments?start=40&limit=20&status=P&sort=new_score

上面我们分别展示了第1-3页的页面链接，我们主要是观察其中的规律，其中start是获取评论的起始位置，limit代表获取多少条评论数据。观察结果：3个链接的不同在于这个start的不同，在后续翻页时，我们只需要修改start参数即可。

2）关于反扒说明

对于豆瓣的爬取，其实找到真实的短评链接，是极其容易的。但是这里有一点我必须说明，你可以不登陆爬取数据，但是只能是操作一段时间，过一段时间，会检测到你是爬虫。因此，你一定要登陆后，携带cookie去进行数据的爬取。如果你有时候不知道请求头中，该放一些什么，那么就请都加上，等有空再慢慢总结。

 headers = {
    "Accept":"application/json, text/plain, */*",
    "Accept-Language":"zh-CN,zh;q=0.9",
    "Connection":"keep-alive",
    "Host":"movie.douban.com",
    "User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36',
    "Cookie":'这里是你自己的cookie'
    }

cookie有些人可能又不知道在哪里，还是告诉你一下吧！好多参数都在下面呢，如果你想学好爬虫，那么这些参数代表什么，你总应该需要知道吧。

最终再补充一点：我本来打算把豆瓣上的《大秦赋》短评，全部爬下来作为分析的素材。然而并没有成功爬取到所有的短评，一波三折，最终只爬到了500条，当然我觉得这也是豆瓣的一种反扒措施，最大可见短评数就500条，多的不给你看。（有大神的话，可以下去研究一下）

数据处理

爬取后的数据，再怎么规整，也和用于分析的数据之间，有一定的差距。因此再分析之前，一定的“数据清洗”是很有必要的。在数据清洗之前，我们简单看看数据是什么样子的。

df = pd.read_csv("final_all_comment.csv",index_col=0)
df.head(10)

结果如下：

其实数据还是挺漂亮的，但是我们还是需要做如下处理：

1）剔除重复值

我们认为：如果'评论时间'和'评论内容'完全一致的话，就认为他是同一条评论，需要将其剔除。

print("删除之前的记录数：",df.shape)
df.drop_duplicates(subset=['评论时间','评论内容'],inplace=True,keep='first')
print("删除之前的记录数：",df.shape)

2）评论时间处理

因为《大秦赋》是2020年12月1号开播的，现在是12月16号晚，因此所有的评论数据肯定都是2020年12月开始有的，因此我们只保留有用的“日期”数据（哪一天）。而对于时分秒来说，我们只保留“小时”数据。

df["评论天数"] = df["评论时间"].str[8:-9].astype(int)
df["小时"] = df["评论时间"].str[11:-6].astype(int)

3）评论星级处理

观察原页面的评论星级，可以看到所有的星级并不是以数字展示的，而是用星星进行前端渲染出来的，但是页面的源代码，却展示的是星级数。

对应到页面源代码中，我们看看又是怎么样子的呢？

可以看到：3星的数字是30，其它的以此类推，1星的数字是10，2星的数字是20......我看着就是很不爽，因此我在爬取数据的时候，已经将这些数字，全都除以10后计算。

4）评论内容机械压缩去重

对于一条评论来说，有些人可能手误，或者凑字数，会出现将某个字或者词语，重复说多次，因此在进行分词之前，需要做“机械压缩去重”操作。下面是我很早之前写的一段代码，大家可以去看我的CSDN博客，里面有很好的解释。

def func(st):
    for i in range(1,int(len(st)/2)+1):
        for j in range(len(st)):
            if st[j:j+i] == st[j+i:j+2*i]:
                k = j + i
                while st[k:k+i] == st[k+i:k+2*i] and k                    k = k + i
                st = st[:j] + st[k:]    
    return st
    
st = "我爱你我爱你我爱你好你好你好哈哈哈哈哈"
func(st)

结果如下：

利用上述函数，我们可以对爬取到的数据，应用此操作。

def func(st):
    for i in range(1,int(len(st)/2)+1):
        for j in range(len(st)):
            if st[j:j+i] == st[j+i:j+2*i]:
                k = j + i
                while st[k:k+i] == st[k+i:k+2*i] and k                    k = k + i
                st = st[:j] + st[k:]    
    return st

df["评论内容"] = df["评论内容"].apply(func)

数据可视化操作

俗话说：“字不如表，表不如图”。爬取到的数据，最终做可视化的呈现，才能够让大家对数据背后的规律，有一个清晰的认识。下面我们从以下几个方面来进行数据可视化分析。

评论数随时间的变化趋势
二十四小时内的评论数的变化趋势
星级评分的饼图
大家主要都在评论一些啥

关于数据可视化工具，我就不用pyecharts了，我还是回归原始，用最原始的matplotlib库进行数据可视化的展示。毕竟我们没有什么复杂的展示，代码越简短越好。

1）评论数随时间的变化趋势

从图中可以看出：短评数量在12月4日之前，一直处于上升趋势，在12月4日达到顶峰。和文章最开始的说明一致，前面几天观众对于该剧的期待值较高，但是在12月4日后，突然出现断崖式下降，说明随着该剧的更新，大家有所失望了。

2）二十四小时内的评论数的变化趋势

最近总听到周围有人在讨论这部剧，下面就来看看大家都是在啥时候追剧呢？从24小时图中可以看出：晚上7-24点，评论急剧上升，大多数人都是6点下班，可能吃个饭到7点左右，或者直接在下班过程中，就开始了一天的追剧。这里还有一波早高峰5-8点，难道睡不着？早上还要起来刷刷据，然后上班。这里还有两个时间段：上午10-11点，中午12-15点，肯定有相当一部分小伙伴，正在摸鱼工作呀?