对于天下霸唱的鬼吹灯，相信很多小伙伴都知道，它可谓是国内盗墓寻宝系列小说的巅峰之作，最近得知该系列小说的《龙岭迷窟》部分被制作成了网剧，已经于 4 月 1 日开播了，主要演员潘粤明、姜超、张雨绮等都是一些大家比较熟悉的面孔，网剧质量、剧情还原度等到底怎么样呢？我们通过本文来简单了解一下。
我们都知道要了解一件事情是需要用数据说话的，本文数据来源我们还是选择豆瓣的评论区数据吧，先打开该剧豆瓣地址：https://movie.douban.com/subject/30488569/ 看一下：
我们发现目前已经有两万七千多人参与了评分且打 4 星和 5 星的人数居多，总体评分 8.3，算是一个比较优秀的分数了。
接着我们将网页向下拉到短评位置，如下所示：
目前有六千多人写了短评，但我们知道豆瓣最多只能查看 500 条短评数据，我们的数据来源就取 500 条短评数据。
获取数据
首先，我们通过 Python 爬取《龙岭迷窟》500 条豆瓣短评数据，爬取的具体细节这里就不说了，如果不了解的话，可以看一下：豆瓣爬取细节参考。
我们爬取的数据项包括：评论用户、评论时间、评论星级、评论内容，爬取的数据我们存储到 csv 文件中，实现代码如下：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
def spider():
url = 'https://accounts.douban.com/j/mobile/login/basic'
headers = {"User-Agent": 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)'}
# 龙岭迷窟网址，为了动态翻页，start 后加了格式化数字，短评页面有 20 条数据，每页增加 20 条
url_comment = 'https://movie.douban.com/subject/30488569/comments?start=%d&limit=20&sort=new_score&status=P'
data = {
'ck': '',
'name': '自己的用户名',
'password': '自己的密码',
'remember': 'false',
'ticket': ''
}
session = requests.session()
session.post(url=url, headers=headers, data=data)
# 初始化 4 个 list 分别存用户名、评星、时间、评论文字
users = []
stars = []
times = []
content = []
# 抓取 500 条，每页 20 条，这也是豆瓣给的上限
for i in range(0, 500, 20):
# 获取 HTML
data = session.get(url_comment % i, headers=headers)
# 状态码 200 表是成功
print('第', i, '页', '状态码：',data.status_code)
# 暂停 0-1 秒时间，防止IP被封
time.sleep(random.random())
# 解析 HTML
selector = etree.HTML(data.text)
# 用 xpath 获取单页所有评论
comments = selector.xpath('//div[@class="comment"]')
# 遍历所有评论，获取详细信息
for comment in comments:
# 获取用户名
user = comment.xpath('.//h3/span[2]/a/text()')[0]
# 获取评星
star = comment.xpath('.//h3/span[2]/span[2]/@class')[0][7:8]
# 获取时间
date_time = comment.xpath('.//h3/span[2]/span[3]/@title')
# 有的时间为空，需要判断下
if len(date_time) != 0:
date_time = date_time[0]
date_time = date_time[:10]
else:
date_time = None
# 获取评论文字
comment_text = comment.xpath('.//p/span/text()')[0].strip()
# 添加所有信息到列表
users.append(user)
stars.append(star)
times.append(date_time)
content.append(comment_text)
# 用字典包装
comment_dic = {'user': users, 'star': stars, 'time': times, 'comments': content}
# 转换成 DataFrame 格式
comment_df = pd.DataFrame(comment_dic)
# 保存数据
comment_df.to_csv('data.csv')
# 将评论单独再保存下来
comment_df['comments'].to_csv('comment.csv', index=False)
分析数据
数据我们已经取到了，接下来我们开始对所获取的数据进行分析。
评论数量
首先，我们来看一下不同时间用户的评论数量，实现代码如下：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
csv_data = pd.read_csv('data.csv')
df = pd.DataFrame(csv_data)
df_gp = df.groupby(['time']).size()
values = df_gp.values.tolist()
index = df_gp.index.tolist()
# 设置画布大小
plt.figure(figsize=(8, 5))
# 数据
plt.plot(index, values, label='评论数')
# 设置数字标签
for a, b in zip(index, values):
plt.text(a, b, b, ha='center', va='bottom', fontsize=13, color='black')
plt.title('评论数量随时间变化折线图')
plt.tick_params(labelsize=10)
plt.ylim(0, 300)
plt.legend(loc='upper right')
plt.show()
看一下效果图：
尽管该剧截止目前只有 4 天的评论数据，我们从图中也不难发现一些规律：我们可以看出 4 月 1 日和 2 日两天的评论数量较多，其中 4 月 1 日为首播日，评论数量多合乎情理，而 4 月 2 日评论数量多于 4 月 1 日，我们可以推测是因为该剧播出之后迅速传播的结果，也就是让更多的人知道了该剧，之后随着时间的推移热度会有所下降，评论数量呈递减的趋势，评论数量变化的趋势也侧面反映了该剧热度变化的大致趋势。
人物角色
接着，我们来看所获取的评论数据中，剧中主要角色被提及的次数，实现代码如下：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
csv_data = pd.read_csv('data.csv')
roles = {'胡八一':0, '王胖子':0, '雪莉杨':0, '鹧鸪哨':0, '大金牙':0, '陈瞎子':0}
names = list(roles.keys())
for name in names:
jieba.add_word(name)
for row in csv_data['comments']:
row = str(row)
for name in names:
count = row.count(name)
roles[name] += count
plt.figure(figsize=(8, 5))
# 数据
plt.bar(list(roles.keys()), list(roles.values()), width=0.5, label='提及次数', color=['r', 'dodgerblue', 'c', 'm', 'y', 'g'])
# 设置数字标签
for a, b in zip(list(roles.keys()), list(roles.values())):
plt.text(a, b, b, ha='center', va='bottom', fontsize=13, color='black')
plt.title('角色被提及次数柱状图')
plt.xticks(rotation=270)
plt.tick_params(labelsize=10)
plt.ylim(0, 200)
plt.legend(loc='upper right')
plt.show()
看一下效果图：
从图中我们可以看出被提及角色数量的前三甲为：胡八一、王胖子、大金牙，通过角色被提及的次数，我们也可以大致推测出剧中角色的受欢迎程度，角色被提及的次数越多说明其受欢迎的程度应该越高。
评论星级
再接着，我们看一下该剧每天用户的评论星级，星级最高为 5 星，一天中如果有多条评论星级数据，我们则取其平均值，代码实现如下：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
csv_data = pd.read_csv('data.csv')
df_time = csv_data.groupby(['time']).size()
df_star = csv_data.groupby(['star']).size()
index = df_time.index.tolist()
value = [0] * len(index)
# 生成字典
dic = dict(zip(index, value))
for k, v in dic.items():
stars = csv_data.loc[csv_data['time'] == str(k), 'star']
# 平均值
avg = np.mean(list(map(int, stars.values.tolist())))
dic[k] = round(avg ,2)
# 设置画布大小
plt.figure(figsize=(8, 5))
# 数据
plt.plot(list(dic.keys()), list(dic.values()), label='星级', color='red', marker='o')
plt.title('评论星级随时间变化折线图')
plt.tick_params(labelsize=10)
plt.ylim(0, 5)
plt.legend(loc='upper right')
plt.show()
看一下效果图：
我们从图中可以看出该剧评论星级大致维持在 4 星以上，说明大部分用户对于该剧的质量是比较认可的，评论星级也基本反映出了用户对于该剧的满意度。
词云展示
最后，我们对评论内容进行词云展示，看一下哪些词汇才是评论区的热门词汇，代码实现如下：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
def jieba_():
# 打开评论数据文件
content = open('comment.csv', 'rb').read()
# jieba 分词
word_list = jieba.cut(content)
words = []
# 过滤掉的词
remove_words = ['以及', '不会', '一些', '那个', '只有',
'不过', '东西', '这个', '所有', '这么',
'但是', '全片', '一点', '一部', '一个',
'什么', '虽然', '一切', '样子', '一样',
'只能', '不是', '一种', '这个', '为了']
for word in word_list:
if word not in remove_words:
words.append(word)
global word_cloud
# 用逗号隔开词语
word_cloud = '，'.join(words)
def cloud():
# 打开词云背景图
cloud_mask = np.array(Image.open('bg.jpg'))
# 定义词云的一些属性
wc = WordCloud(
# 背景图分割颜色为白色
background_color='white',
# 背景图样
mask=cloud_mask,
# 显示最大词数
max_words=100,
# 显示中文
font_path='./fonts/simhei.ttf',
# 最大尺寸
max_font_size=80
)
global word_cloud
# 词云函数
x = wc.generate(word_cloud)
# 生成词云图片
image = x.to_image()
# 展示词云图片
image.show()
# 保存词云图片
wc.to_file('anjia.png')
看一下效果图：
源码在公号 Python小二 后台回复 龙岭迷窟 获取。
欢迎微信搜索 Python小二，第一时间阅读、获取源码，回复关键字 1024 可以免费领取个人整理的各类编程语言学习资料。
