Python小白逆袭大神（飞桨七天课程）---Day5-综合大作业

参加了百度的python七天课程： https://aistudio.baidu.com/aistudio/index
分享一下最后的大作业：
（ps：写作业过程中碰到了add_words问题，参考了叁岁大佬的这篇博文https://blog.csdn.net/weixin_45623093/article/details/105794512)

综合大作业

**第一步：**爱奇艺《青春有你2》评论数据爬取(参考链接：https://www.iqiyi.com/v_19ryfkiv8w.html#curid=15068699100_9f9bab7e0d1e30c494622af777f4ba39)
爬取任意一期正片视频下评论
评论条数不少于1000条

**第二步：**词频统计并可视化展示

数据预处理：清理清洗评论中特殊字符（如：@#￥%、emoji表情符）,清洗后结果存储为txt文档
中文分词：添加新增词（如：青你、奥利给、冲鸭），去除停用词（如：哦、因此、不然、也好、但是）
统计top10高频词
可视化展示高频词

**第三步：**绘制词云

根据词频生成词云
可选项-添加背景图片，根据背景图片轮廓生成词云

**第四步：**结合PaddleHub，对评论进行内容审核

需要的配置和准备

中文分词需要jieba
词云绘制需要wordcloud
可视化展示中需要的中文字体
网上公开资源中找一个中文停用词表
根据分词结果自己制作新增词表
准备一张词云背景图（附加项，不做要求，可用hub抠图实现）
paddlehub配置

!pip install jieba
!pip install wordcloud
1
2

# Linux系统默认字体文件路径
# !ls /usr/share/fonts/
# 查看系统可用的ttf格式中文字体
!fc-list :lang=zh | grep ".ttf"
1
2
3
4

# 下载中文字体
!wget https://mydueros.cdn.bcebos.com/font/simhei.ttf
# 将字体文件复制到matplotlib字体路径
!cp simhei.ttf /opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/mpl-data/fonts/ttf/
# 一般只需要将字体文件复制到系统字体目录下即可，但是在aistudio上该路径没有写权限，所以此方法不能用
# !cp simhei.ttf /usr/share/fonts/

# 创建系统字体文件路径
#!mkdir .fonts
# 复制文件到该路径
!cp simhei.ttf .fonts/
!rm -rf .cache/matplotlib
1
2
3
4
5
6
7
8
9
10
11
12

这里的simhei.ttf需要自己在网上下载，然后上传到当前工作路径下。

#安装模型
!hub install porn_detection_lstm==1.1.0
!pip install --upgrade paddlehub
1
2
3

from __future__ import print_function
import requests
import json
import re #正则匹配
import time #时间处理模块
import jieba #中文分词
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
import matplotlib.font_manager as font_manager
from PIL import Image
from wordcloud import WordCloud  #绘制词云模块
import paddlehub as hub
1
2
3
4
5
6
7
8
9
10
11
12
13

#请求爱奇艺评论接口，返回response信息
def getMovieinfo(url):
    # '''
    # 请求爱奇艺评论接口，返回response信息
    # 参数  url: 评论的url
    # :return: response信息
    # '''
    session = requests.Session()
    headers = {
        "User-Agent":"Mozilla/5.0",
        "Accept":"application/json",
        "Refer":"http://m.iqiyi.com/v_19rqriflzg.html",
        "Origin":"http://m.iqiyi.com",
        "Bost":"sns-comment.iqiyi.com",
        "Connection":"keep-alive",
        "Accept-Language":"en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7,zh-TW;q=0.6",
        "Aceept-Encoding":"qzip,deflate"
    }
    response = session.get(url, headers=headers)
    if response.status_code == 200:
        return response.text
    return None

#解析json数据，获取评论
def saveMovieInfoToFile(lastId,arr):
    # '''
    # 解析json数据，获取评论
    # 参数  lastId:最后一条评论ID  arr:存放文本的list
    # :return: 新的lastId
    # '''
    url = "http://sns-comment.iqiyi.com/v3/comment/get_comments.action?agent_type=118&\agent_version=9.11.5&business_type=17&content_id=15068699100&page_size=10&type=time&last_id="
    #url='https://sns-comment.iqiyi.com/v3/comment/get_comments.action?agent_type=118&agent_version=9.11.5&authcookie=null&business_type=17&content_id=15068699100&page=&page_size=10&types=time&last_id='
    url += str(lastId)
    responseTxt = getMovieinfo(url)
    responseJson = json.loads(responseTxt)
    comments = responseJson['data']['comments']
    for val in comments:
        if 'content' in val.keys():
            print(val['content'])
            arr.append(val['content'])
        lastId = str(val['id'])    
    return lastId
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

注意上面这部分一定要认真检查一下headers和url等的正确性，因为在这里打错是不会报错的，但是之后主函数调用运行的时候会无法爬取评论。之前不小心多打了一个字母，debug了很久才发现是这里的问题（可能是我比较粗心）。

#去除文本中特殊字符
def clear_special_char(content):
    '''
    正则处理特殊字符
    参数 content:原文本
    return: 清除后的文本
    '''
    # s = re.sub(r"</?(.+?)>|&nbsp;|\t|\r","",content)
    # s = re.sub(r"\n","",s)
    # s = re.sub(r"\*","\\*",s)
    # s = re.sub('[^\u4e00-\u9fa5^a-z^A-Z^0-9]',"",s)
    # s = re.sub('[\001\002\003\004\005\006\007\x08\x09\x0a\x0b\x0c\x0d\x10\x11\x12\x13\x14\x15\x16\x17\x18\x19\x1a\x1b\x1c\x1d]','',s)
    # s = re.sub('[a-zA-Z]','',s)
    # s = re.sub('^\d+(\.\d+)?$','',s)

    s = re.sub(r"</?(.+?)>|&nbsp;|\t|\r", "", content)
    s =re.sub(r"\n", "", s)
    s =re.sub(r"\*", "\\*", s)
    s =re.sub("\u4e00-\u9fa5^a-z^A-Z^0-9", "", s)
    s = re.sub( '[\001\002\003\004\005\006\007\x08\x09\x0a\x0b\x0c\x0d\x0e\x0f\x10\x11\x12\x13\x14\x15\x16\x17\x18\x19\x1a]+', '', s)
    s = re.sub('[a-zA-Z]', "", s)
    s = re.sub('^\d+(\.\d+)?$', "", s)
    s = re.sub(u'[\U00010000-\U0010ffff]', ' ',s)
    s = re.sub(u'[\uD800-\uDBFF][\uDC00-\uDFFF]', ' ', s)
    for ch in '，。；：“”、》《、|*&…
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Gausst松鼠会/article/detail/318860