最近，賈玲導演的電影《你好，李煥英》在春節(jié)檔一眾電影中脫穎而出，成為了一匹黑馬，更是中國影史上第三部票房破50億的電影。

我們從豆瓣上看到，該影片當前評分是8.1分，接近30%的評價都是5顆星。今天我們就來從豆瓣上爬取一部分影評，結(jié)合jieba和pyecharts做個分詞和詞云圖。

打開開發(fā)者工具

首先，在豆瓣上找到電影《你好，李煥英》，下拉到影評區(qū)，可以看到共有三十多萬條短評和七千多影評。短評數(shù)量太多了，我們還是數(shù)量較少的影評下手吧。接下來，在瀏覽器中按F12或者右鍵點擊檢查打開開發(fā)者工具，然后選擇network(網(wǎng)絡)選項，然后點擊上圖中影評區(qū)的“全部7494條”，就可以在開發(fā)者工具中看到一系列的請求。

尋找目標URL

將影評區(qū)拖到最底部，將會看到影評被分成來幾百個頁面，然后我們清空開發(fā)者工具中的捕獲的請求，點擊下一頁，在請求列表中找到第一條，這就是我們翻頁的通用請求了：每頁20條，使用start參數(shù)判斷起始位置，這樣循環(huán)300多次就可以獲取到全部的影評了。

等等，貌似還少了什么?由于影評內(nèi)容較長，評論只顯示了一部分，要想看到全部內(nèi)容，還需要點擊一下展開全文。

點一下展開，發(fā)現(xiàn)瀏覽器發(fā)出一條這樣的請求，剛好返回的json就是完整的評論內(nèi)容。依次點擊后面的幾條影評，也都是同樣格式的請求，只有full前面的數(shù)字發(fā)生了變化，可以斷定這串數(shù)字就是這條影評的id了。那么如何知道每一條影評的id是什么呢?

檢查目標元素

鼠標放到展開按鈕上，右鍵點擊檢查元素，我們可以發(fā)現(xiàn)，頁面上的每一條影評都對應了一個div，這個div有一個data-cid的參數(shù)，它的值剛好就是上面我們請求中的id，所以我們只要在每次請求頁面時，遍歷review-list中所有的div，獲取到data-cid的值，再把影評id循環(huán)代入到上面的url中請求完整影評內(nèi)容即可。

爬取完影評評論并保存到本地，然后使用jieba分詞將評論文章分割成單詞，然后去除停用詞并統(tǒng)計詞頻。

大功告成

最后一步就是利用我們前面提到的pyecharts中的wordcloud來制作詞云了。選擇一張照片作為詞云的形狀，然后導入單詞及其詞頻作為權(quán)重，輸出文件即可。

詳細代碼：

import requests 
import random, time, json 
from bs4 import BeautifulSoup as bs 
import jieba 
import pandas as pd 
from pyecharts import charts, options 
 
url1 = 'https://movie.douban.com/subject/34841067/reviews?start={}' 
url2 = 'https://movie.douban.com/j/review/{}/full' 
header = '''Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9 
Accept-Encoding: gzip, deflate, br 
Accept-Language: zh-CN,zh;q=0.9 
Connection: keep-alive 
Cookie: bid=RWSCuDu3-hA; douban-fav-remind=1; __gads=ID=f22d1fef6a644a7a-228e1b3a32c50048:T=1607935481:RT=1607935481:S=ALNI_MZwRU5qCsyehoDFgRdf7D5PRBqqCg; ll="108288"; _pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1614764251%2C%22https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3DlzDNd94NFnBQCDIqNI00Il5NwjZoARpWz1lQy5MGKdL26rV5yrb1N1HIoGzoKu5k%26wd%3D%26eqid%3Dda5556d4000016f000000003603f58d7%22%5D; ap_v=0,6.0; __utmc=30149280; __utmz=30149280.1614764252.6.6.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; __utma=223695111.1843127241.1614764252.1614764252.1614764252.1; __utmc=223695111; __utmz=223695111.1614764252.1.1.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; __yadk_uid=rcNjENFDHY62mSmlZqJtXPKJZUfQkM75; _vwo_uuid_v2=D771633F1FBA119FD38FD79DCE082F26D|35b2c7beff079fe25b62163affe94ce8; _pk_id.100001.4cf6=2e0a301ce93b85e0.1614764251.1.1614764408.1614764251.; __utma=30149280.1170719909.1607935481.1614764252.1614766647.7; __utmt=1; __utmb=30149280.2.9.1614766647; dbcl2="152966201:ETujHWfkU2g"; ck=1WtR 
Host: movie.douban.com 
Referer: https://accounts.douban.com/ 
Sec-Fetch-Dest: document 
Sec-Fetch-Mode: navigate 
Sec-Fetch-Site: same-site 
Sec-Fetch-User: ?1 
Upgrade-Insecure-Requests: 1 
User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 11_2_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.192 Safari/537.36''' 
headers = {x.split(': ')[0]: x.split(': ')[1] for x in header.split('\n')} 
session = requests.session() 
session.headers = headers 
result1 = [] 
for i in range(0, 365): 
    print(i) 
    try: 
        r = session.get(url1.format(i)) 
        r.close() 
        content = bs(r.text) 
        result1.extend(x.get('data-cid') for x in content.select('div.review-list > div')) 
    except: 
        pass 
    time.sleep(random.randrange(3, 20)) 
 
result2 = [] 
for j in result1: 
    print(result1.index(j)) 
    try: 
        r = session.get(url2.format(j)) 
        r.close() 
        data = json.loads(r.text) 
        result2.append(data) 
    except: 
        pass 
    time.sleep(random.randrange(10, 20)) 
 
review = [] 
for i in result2: 
    html = bs(i['html']) 
    review.append(html.text) 
for i in ['賈玲', '賈曉玲', '沈騰', '張小斐', '李煥英', '光林', '陳赫', '沈光林', '冷特']: 
    jieba.add_word(i) 
words = [] 
for x in review: 
    cut = jieba.lcut(x) 
    words.extend(cut) 
 
with open('stopwords.txt', 'r')as f: 
    stop = [x.strip() for x in f.readlines()] 
    f.close() 
df = pd.DataFrame(words, columns=['words']) 
df_count = pd.DataFrame(df.groupby('words').size()) 
count = df_count.loc[[x for x in df_count.index.values if x not in stop]].sort_values(0, ascending=False) 
cloud = charts.WordCloud(init_opts=options.InitOpts(width='2000px', height='2000px')) 
cloud.add('你好，李煥英', 
          data_pair=[(x, count.loc[x].values[0] / 100) for x in count.index.values], 
          mask_image='jialing.jpeg', 
          word_size_range=[10, 300]) 
cloud.render('你好李煥英.html')