用 Python 分析胡歌的《猎场》到底值不值得看？
已经授权 CSDN公众号、CSDN网站、51CTO、Python开发者、Python中文社区、Python中文专栏等进行发布。获取授权，请联系作者，谢谢！
11月6日，湖南卫视已经开播被称作年度压轴的大戏“猎场”，迅速占领各大榜单，成为一部高热度的电视剧。但是在豆瓣上却形成了两极分化。截止11月8日，该剧在豆瓣上的评分为5.7分。相比较胡歌之前《琅琊榜》的9.1，《伪装者》的8.3等来说，这一评分确实不高。有趣的是，首页的评分比例与“短评”“剧评”的比例存在非常大的差异！
首页总评分评分两级分化严重，“差评”占主 在目前11463个评价中两级分化严重，“1星”占比最高为28.6%，其次为“5星”的25.4%。“好评”（5星、4星）占比为35.80%，“一般”（3星）为16.50%，“差评”（2星、1星）占比为47.80%。很明显，“差评”占了接近一半的比例。
《猎场》豆瓣评分占比分布 在短评和剧评中的另一种景象 首页的豆瓣评分中“差评”占比很高，但是在豆瓣的短评和剧评中却是另一番景象。 在目前5979条短评中，“好评”占比71%，“一般”为5%，“差评”占比24%。而在392条剧评中，“5星”占了非常高的比例！84.7%的剧评给了“好评”。
《猎场》剧评评分分布 我们将三个位置的评分放在一起比较就会出现非常明显的差异。根据这个差异，我们可以大致判断：写出短评或者剧评的观众大部分给予了“好评”，但仍有大量观众直接给了差评，并没有说明任何原因。当然，我们并没有考虑那些不写评论，而只是点“有用”和“没用”观众。
才刚刚上映，剧情还在慢慢的铺，所以现在给整部剧下定论还太早。
《猎场》到底好不好看？我们还是想通过以11月8日为界，看看人们短评人的情绪，是积极，还是消极。利用词云看看大家都说了什么，希望能大家就是否建议观看给出建议。
一、爬取《猎场》热门短评，豆瓣的反爬虫做的比较好，不登录爬虫很快就会被屏蔽掉，登录后获取cookies 如下：
同时建议在循环抓取的时候进行sleep，例如：
time.sleep(1 + float(random.randint(1, 100)) / 20)
《猎场》热门短评内容和时间爬取了22440条评论，代码如下：
import time
import random
import requests
from lxml import etree
from lxml import html
absolute = 'https://movie.douban.com/subject/26322642/comments'
page1_url = 'https://movie.douban.com/subject/26322642/comments?start=0&limit=20&sort=new_score&status=P&percent_type='
absolute_url = 'https://movie.douban.com/subject/26322642/comments?start=20&limit=20&sort=new_score&status=P&percent_type='
header={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:54.0) Gecko/20100101 Firefox/54.0','Connection':'keep-alive'}
f_cookies = open('cookies.txt', 'r')
cookies = {}
for line in f_cookies.read().split(';'):
name, value = line.strip().split('=', 1)
cookies[name] = value
next_page_list = []
def next_page(url):
r = requests.get(url=url,cookies=cookies,headers=header).content
soup = etree.HTML(r)
return soup.xpath('//*[@id="paginator"]/a[3]/@href')
def html_prase(url):
r = requests.get(url=url,cookies=cookies,headers=header).content
return etree.HTML(r)
next_page_url = next_page(absolute_url)
print(page1_url)
page1 = html_prase(page1_url)
print("正在打印第1页面")
for i in range(1, 21):
comment = ''.join(page1.xpath('//*[@id="comments"]/div[%s]/div[2]/p/text()' %i)).strip().replace('\n',',')
date = page1.xpath('//*[@id="comments"]/div[%s]/div[2]/h3/span[2]/span[3]/text()' %i)
if date:
date = ''.join(page1.xpath('//*[@id="comments"]/div[%s]/div[2]/h3/span[2]/span[3]/text()' %i)).strip()
else:
date = ''.join(page1.xpath('//*[@id="comments"]/div[%s]/div[2]/h3/span[2]/span[2]/text()' %i)).strip()
rate = page1.xpath('//*[@id="comments"]/div[%s]/div[2]/h3/span[2]/span[2]/@title' %i)
for i in rate:
if u'\u4e00' <= i <= u'\u9fff':
rate = i.strip()
else:
rate = '还行'
with open('date_rate_comment.txt', 'a', encoding='utf-8')as f:
f.write(date + ',' + rate + ',' + comment + '\n')
#处理第二页以后页面
page = 2
while (next_page_url !=[]):
print('正在打印第%s页' %page)
print(absolute + ''.join(next_page_url))
html = html_prase(absolute + ''.join(next_page_url))
next_page_url = next_page(absolute + ''.join(next_page_url))
page = 2
while (next_page_url != []):
print('正在打印第%s页' % page)
print(absolute + ''.join(next_page_url))
html = html_prase(absolute + ''.join(next_page_url))
next_page_url = next_page(absolute + ''.join(next_page_url))
for i in range(1, 21):
comment = ''.join(html.xpath('//*[@id="comments"]/div[%s]/div[2]/p/text()' %i)).strip().replace('\n',',')
date = html.xpath('//*[@id="comments"]/div[%s]/div[2]/h3/span[2]/span[3]/text()' %i)
if date:
date = ''.join(html.xpath('//*[@id="comments"]/div[%s]/div[2]/h3/span[2]/span[3]/text()' %i)).strip()
else:
date = ''.join(html.xpath('//*[@id="comments"]/div[%s]/div[2]/h3/span[2]/span[2]/text()' %i)).strip()
rate = html.xpath('//*[@id="comments"]/div[%s]/div[2]/h3/span[2]/span[2]/@title' %i)
for i in rate:
if u'\u4e00' <= i <= u'\u9fff':
rate = i.strip()
else:
rate = '还行'
with open('date_rate_comment.txt', 'a', encoding='utf-8')as f:
f.write(date + ',' + rate + ',' + comment + '\n')
time.sleep(1 + float(random.randint(1, 100)) / 20)
page = page + 1
三、对数据进行清洗：
import pandas as pd
import matplotlib.pyplot as plt
name=['date','rate','comment']
df = pd.read_table('./date_rate_comment.txt',encoding= 'utf-8',header=None,names=name,sep=',')
df['date'] = pd.to_datetime(df['date'])样本数量：
print(df['date'].value_counts())
获取2017-11-06 – 2017-11-08 数据：
'2017-11-06':'2017-11-08'数据条数为：5775
2017-11-09 – 2017-11-17 数据条数为：16665四、情感分析和词云
对热门短评基于原有SnowNLP进行积极和消极情感分类，读取每段评论并依次进行情感值分析（代码：https://zhuanlan.zhihu.com/p/30107203），最后会计算出来一个0-1之间的值。
当值大于0.5时代表句子的情感极性偏向积极，当分值小于0.5时，情感极性偏向消极，当然越偏向两边，情绪越偏激。
2017-11-06 – 2017-11-08 分析：
从上图情感分析（代码：https://zhuanlan.zhihu.com/p/30107203）来看，影评者还是还是非常积极的，对《猎场》的期望很高。
从词云（代码：https://zhuanlan.zhihu.com/p/30107203）上来看：
从上图情感分析（代码：https://zhuanlan.zhihu.com/p/30107203）来看，积极的情绪已经远远超过消极的情绪，还是受到大家的好评。
从词云（代码：https://zhuanlan.zhihu.com/p/30107203）上来看，出现好看、剧情、期待、喜欢等词。
总结：
词云的背景是胡歌，大家看出来了嘛？目前豆瓣的分数已经是6.2分，目前剧情过半，相信接下来会更精彩，个人认为分数会在7.5分以上。
抛开豆瓣的推荐分数，通过的热门短评的情感和词云分析，是一部不错的现实剧，剧情犀利、深刻、启迪，很多人期待。如果您有时间，不妨看一下，或许能收获一些意想不到的东西。
作者：布道，大型互联网公司运维技术负责人，拥有10年的互联网开发和运维经验。一直致力于运维工具的开发和运维专家服务的推进，赋能开发，提高效能。 广告时间：最后给自己代个盐~~欢迎大家有空时翻下我牌子，看看之前的文章，再点个赞呗。顺便关注下专栏“开发运维”。
更多精彩请点击：
