Python爬虫44万条数据揭秘：如何成为网易音乐评论区的网红段子手

【大咖・来了 第7期】10月24日晚8点观看《智能导购对话机器人实践》

获取数据

其实逻辑并不复杂：

• 爬取歌单列表里的所有歌单url。
• 进入每篇歌单爬取所有歌曲url，去重。
• 进入每首歌曲首页爬取热评，汇总。

歌单列表是这样的：

翻页并观察它的url变化，注意下方动图，每次翻页末尾变化35。

采用requests+pyquery来爬取：

1. def get_list(): 
2.  list1 = [] 
3.  for i in range(0,1295,35): 
4.  url = 'https://music.163.com/discover/playlist/?order=hot&cat=%E5%8D%8E%E8%AF%AD&limit=35&offset='+str(i) 
5.  print('已成功采集%i页歌单\n' %(i/35+1)) 
6.  data = [] 
7.  html = restaurant(url) 
8.  doc = pq(html) 
9.  for i in range(1,36): # 一页35个歌单 
10.  a = doc('#m-pl-container > li:nth-child(' + str(i) +') > div > a').attr('href') 
11.  a1 = 'https://music.163.com/api' + a.replace('?','/detail?') 
12.  data.append(a1) 
13.  list1.extend(data) 
14.  time.sleep(5+random.random()) 
15.  return list1 

这样我们就可以获得38页每页35篇歌单，共1300+篇歌单。

下面我们需要进入每篇歌单爬取所有歌曲url，并且要注意最后“去重”，不同歌单可能包含同一首歌曲。

点开一篇歌单，注意红色圈出的id。

观察一下，我们要在每篇歌单下方获取的信息也就是红框圈出的这些，利用刚刚爬取到的歌单id和网易云音乐的api可以构造出：

不方便看的话我们解析一下json。

1. def get_playlist(url): 
2.  data = [] 
3.  doc = get_json(url) 
4.  obj=json.loads(doc) 
5.  jobs=obj['result']['tracks'] 
6.  for job in jobs: 
7.  dic = {} 
8.  dic['name']=jsonpath.jsonpath(job,'$..name')[0] #歌曲名称 
9.  dic['id']=jsonpath.jsonpath(job,'$..id')[0] #歌曲ID 
10.  data.append(dic) 
11.  return data  

这样我们就获取了所有歌单下的歌曲，记得去重。

1. #去重 
2. data = data.drop_duplicates(subset=None, keep='first', inplace=True)  

剩下就是获取每首歌曲的热评了，与前面获取歌曲类似，也是根据api构造，很容易就找到了。

1. def get_comments(url,k): 
2.  data = [] 
3.  doc = get_json(url) 
4.  obj=json.loads(doc) 
5.  jobs=obj['hotComments'] 
6.  for job in jobs: 
7.  dic = {} 
8.  dic['content']=jsonpath.jsonpath(job,'$..content')[0]  
9.  dic['time']= stampToTime(jsonpath.jsonpath(job,'$..time')[0]) 
10.  dic['userId']=jsonpath.jsonpath(job['user'],'$..userId')[0] #用户ID 
11.  dic['nickname']=jsonpath.jsonpath(job['user'],'$..nickname')[0]#用户名 
12.  dic['likedCount']=jsonpath.jsonpath(job,'$..likedCount')[0]  
13.  dic['name']= k 
14.  data.append(dic) 
15.  return data  

汇总后就获得了44万条音乐热评数据。

数据分析

清洗填充一下。

1. def data_cleaning(data): 
2.  cols = data.columns 
3.  for col in cols: 
4.  if data[col].dtype == 'object': 
5.  data[col].fillna('缺失数据', inplace = True) 
6.  else: 
7.  data[col].fillna(0, inplace = True) 
8.  return(data) 

按照点赞数排个序。

1. #排序 
2. df1['likedCount'] = df1['likedCount'].astype('int') 
3. df_2 = df1.sort_values(by="likedCount",ascending=False) 
4. df_2.head() 

再看看哪些热评是被复制粘贴搬来搬去的。

1. #排序 
2. df_line = df.groupby(['content']).count().reset_index().sort_values(by="name",ascending=False) 
3. df_line.head() 

第一个和第三个只是末尾有没有句号的区别，可以归为一类。这样的话，重复次数最多个这句话竟然重复了412次，额~~

看看上热评次数次数最多的是哪位大神?从他的身上我们能学到什么经验?

1. df_user = df.groupby(['userId']).count().reset_index().sort_values(by="name",ascending=False) 
2. df_user.head() 

按照 user_id 汇总一下，排序。

成功“捕获”一枚“段子手”，上热评次数高达347，我们再看看这位大神究竟都评论些什么?

1. df_user_max = df.loc[(df['userId'] == 101***770)] 
2. df_user_max.head() 

这位“失眠的陈先生”看来各种情话娴熟于手啊，下面就以他举例来看看如何成为网易云音乐评论里的热评段子手吧。

数据可视化

先看看这347条评论的赞数分布。

1. #赞数分布图 
2. import matplotlib.pyplot as plt 
3. data = df_user_max['likedCount'] 
4. #data.to_csv("df_user_max.csv", index_label="index_label",encoding='utf-8-sig') 
5. plt.hist(data,100,normed=True,facecolor='g',alpha=0.9) 
6. plt.show() 

很明显，赞数并不多，大部分都在500赞之内，几百赞却能跻身热评，这也侧面说明了这些歌曲是比较小众的，看来是经常在新歌区广撒网。

我们使用len() 求出每条评论的字符串长度，再画个分布图：