前言

最近人人讨论最多的就是《落难地球》了,偶然刷逼乎,狗血的事情也是层出不穷,种种撕逼大战,有兴趣的小伙伴可以自行搜索。

停止现在,《落难地球》累计票房43.94亿,豆瓣评分7.9分。博主是正月初七看的,票价有点小贵,整体效果还算可以,虽然剧情有点尴尬,种种镜头切换有时候看的稀里糊涂,但照样给了豆瓣四星好评。

爬取

逼乎上许多妙手,对《落难地球》在豆瓣的评分做了细思缜密的剖析,有兴趣的也去自己搜索,这里主要是爬取《落难地球》的好、中、差短评并分词剖析。

爬取数据:

import osimport requestsimport codecsfrom bs4 import BeautifulSoup# 给请求指定一个请求头来模拟chrome浏览器global headers
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36',                  'cookie': 'network→www.douban.com→headers查看cookie'}
server = 'https://movie.douban.com/subject/26266893/comments'# 界说存储位置global save_path
save_path = os.getcwd()+"\\Text\\"+'短评_好评.txt'global page_max
page_max = 25global comments
comments = ''# 获取短评内容def get_comments(page):
    req = requests.get(url=page)
    html = req.content
    html_doc = str(html, 'utf-8')
    bf = BeautifulSoup(html_doc, 'html.parser')
    comment = bf.find_all(class_="short")    for short in comment:        global comments
        comments = comments + short.text# 写入文件def write_txt(chapter, content, code):
    with codecs.open(chapter, 'a', encoding=code)as f:
        f.write(content)# 主方式def main():
    for i in range(0, page_max):        try:
            page = server + '?start='+str(i*20)+'&limit=20&sort=new_score&status=P&percent_type=h'
            get_comments(page)
            write_txt(save_path, comments, 'utf8')        except Exception as e:
            print(e)if __name__ == '__main__':
    main()

最终发现,每个类型只能查询出 500 条短评,后面就看不到了,不知道是否豆瓣有意而为之给隐藏了,哈哈哈原来是没登录导致的(headers 设置下 cookie 就可以)。最后读了一下好评文本居然有40MB,不外最终照样根据500条采样。

# 好评500条,中评500条,差评500条,自行替换 percent_type 参数即可。# https://movie.douban.com/subject/26266893/comments?start=0&limit=20&sort=new_score&status=P&percent_type=h# https://movie.douban.com/subject/26266893/comments?start=0&limit=20&sort=new_score&status=P&percent_type=m# https://movie.douban.com/subject/26266893/comments?start=0&limit=20&sort=new_score&status=P&percent_type=l

剖析

使用结巴中文分词第三方库来举行高频剖析:

import jiebaimport os

txt = open(os.getcwd()+"\\Text\\"+"短评_差评.txt", "r", encoding='utf-8').read()
words = jieba.lcut(txt)
counts = {}for word in words:    if len(word) == 1:        continue
    else:
        counts[word] = counts.get(word, 0) + 1items = list(counts.items())
items.sort(key=lambda x: x[1], reverse=True)for i in range(0, 10):
    word, count = items[i]
    print("{0:<6}{1:>6}".format(word, count))

前十好评高频泛起词汇:

前十中评高频泛起词汇:

前十差评高频泛起词汇:

前十高频词汇剖析基本没有任何参考价值,基本就是科幻、地球、特效、影戏,这些都是影戏的基本元素,其它的都是一些中性词汇。

然后,我们剖析了11-30的高频词汇,提取了部门关键词:

好评:

,

以太坊数据网

www.326681.com采用以太坊区块链高度哈希值作为统计数据,联博以太坊统计数据开源、公平、无任何作弊可能性。联博统计免费提供API接口,支持多语言接入。

,

结论:国产希望好莱坞科幻煽情大片。人人注重一下,前三十高频词汇只泛起了刘慈欣的名字,并没有泛起吴京的名字。

中评:

结论:总体来说还算中肯,不知道为啥会泛起三星?原谅我没有读过原著,原来是《三体》中"三恒星"系统。

差评:

结论:既然是一星差评,肯定是一黑到底,剧情尴尬、台词尴尬、剪辑尴尬、吴京尴尬,相比于好评中高频泛起的原著作者刘慈欣,应该有大部门吴京黑粉。

总结

逼乎上有人做了详细的统计剖析,同类评分影戏中,小破球的一星占比出奇的高。不管是意识形态照样商业利益,《落难地球》注定要被美分狗和《战狼》PTSD 患者往死里整。《落难地球》的评价问题已经不仅仅是一部影戏的问题。

有兴趣的小伙伴可以获取源码,自行爬一下:https://gitee.com/52itstyle/Python