经验首页 前端设计 程序设计 Java相关 移动开发 数据库/运维 软件/图像 大数据/云计算 其他经验
当前位置:技术经验 » 程序设计 » 编程经验 » 查看文章
从NLP视角看电视剧《狂飙》,会有什么发现?
来源:cnblogs  作者:风兮177  时间:2023/3/3 8:52:50  对本文有异议

关键词: 爬虫、文本数据预处理、数据分析、可视化、自然语言处理

摘要: 本文主要内容,获取解析豆瓣《狂飙》的短评相关数据和演职员信息,在数据预处理后,进行简单的数据分析和可视化展示。

本文全部代码路径: https://github.com/fengxi177/pnlp2023/tree/main/chapter_1


1、背景

前文 文本数据预处理:可能需要关注这些点 分享了关于文本预处理的理论知识,本文将分享一份示例demo。正好,碰到了热议的电视剧《狂飙》。因此,本文打算从自然语言处理、数据分析和可视化的角度来凑个热闹(原本计划在大结局当天发出来文章,可惜,大结局有一段时间了。拖延了,哈哈哈)。

2、数据获取

既然要做电视剧《狂飙》相关的nlp数据分析,那么就先选定数据目标站。经过一圈搜寻对比,发现还是豆瓣中的评论更为客观,参与群体数量多,见解更丰富专业,哈哈哈。因此,本文将获取 https://movie.douban.com/subject/35465232/ 页面中的相关数据。

截止2023年2月28日,豆瓣中电视剧《狂飙》的短评已经22w+(2023年2月6日13w+,评论热度依然很高)。通过翻看短评数据,可以发现不登录状态最多可以获取220条数据,登录后最多可以获取600条数据。一般,可以通过cookie和selenium的方式实现登录,网上有参考教程,自行搜集。

image

不过,在不登录状态下,通过URL参数设置分析,发现各参数下都可以获得220条数据。因此,本文只获取不登录状态下的数据。具体的,通过好评、中评和差评参数percent_type设置分别获取220条短评及其相关数据。(特别的,仔细观察URL的参数设置还可以获得更多的数据哦。)

点击查看爬虫代码
  1. def parse_comments(url):
  2. """
  3. 解析HTML页面,获得评论及相关数据
  4. :param url:
  5. :return:
  6. """
  7. html = get_html(url)
  8. soup_comment = BeautifulSoup(html, 'html.parser')
  9. # 所有获取的一页数据
  10. data_page = []
  11. # 提取评论
  12. comments_all = soup_comment.findAll("div", "comment-item")
  13. for comments in comments_all:
  14. try:
  15. # 解析评论及相关数据
  16. comment_info = comments.find("span", "comment-info") # 评论id相关信息
  17. comment_vote = comments.find("span", "comment-vote") # 评论点赞信息
  18. comment_content = comments.find("span", "short").text.replace("\n", "") # 评论内容
  19. # 提取需要的各字段信息
  20. info_list = comment_info.findAll("span")
  21. star_rating = info_list[1]
  22. user_name = comment_info.find("a").text
  23. video_status = info_list[0].text # 电视剧观看状态
  24. comment_score = int(star_rating["class"][0][-2:]) # 评论分值
  25. comment_level = star_rating["title"] # 评论等级
  26. comment_time = info_list[2].text.replace("\n", "").replace(" ", "") # 评论时间
  27. # print(info_list)
  28. comment_location = info_list[3].text # 评论位置
  29. comment_vote_count = int(comment_vote.find("span", "votes vote-count").text) # 评论被点赞数
  30. # 获取的一条数据
  31. # ["用户名", "电视剧观看状态", "评论分数", "评论等级", "评论时间", "评论位置", "评论点赞数", "评论"]
  32. data_row = [user_name, video_status, comment_score, comment_level,
  33. comment_time, comment_location,
  34. comment_vote_count, comment_content]
  35. data_page.append(data_row)
  36. except:
  37. # 跳过解析异常的数据
  38. continue
  39. return data_page

完整代码:请查看get_comments_data.py文件

此外,本文还获取了《狂飙》的演职员信息数据,页面解析的代码片段如下。

点击查看代码
  1. html = get_html(url)
  2. soup_info = BeautifulSoup(html, 'html.parser')
  3. # 获得的结果信息
  4. result_info_dict = {}
  5. # 提取评论
  6. info_all = soup_info.findAll("div", "info")
  7. for info in info_all:
  8. info_name = info.find("span", "name").text
  9. info_role = info.find("span", "role").text
  10. info_works_list = info.find("span", "works").findAll("a")

完整代码:请查看get_celebrity_info.py文件。

3、文本分析与可视化

3.1 短评数据预处理

文本数据预处理的详细介绍,可以参考文章文本数据预处理:可能需要关注这些点。在实际的应用分析中,数据预处理并不是等数据完全收集完毕后一蹴而就的。通常,在合适的时候进行必要的处理是十分必要的,比如本文在解析爬取数据的时候会进行一些替换和数据转换操作。

3.2 词云图可视化

词云图作为一种直观、简洁、易于理解的数据可视化方法,通过词云图文字大小、颜色、字体等方式的展示,人们可以迅速了解文本数据中的关键词和主题等有用信息。

本文利用pyecharts生成短评的词云图,其他也可以通过wordcloud包绘制词云图。特别的,可以通过背景图设置生成各种形状的词云图。

image

3.3 top关键词共现矩阵网络

文本中关键词是很重要的特征,关键词共现矩阵网络是一组文本中词或短语之间的共现关系网。该网络可以帮助我们发现文本中的潜在主题、领域和关联性,也可以用于文本数据可视化和分析。共现网络中,每个关键词被表示为一个节点,词之间的共现关系被表示为边,关键词之间的共现频率表示权重。我们可以使用网络分析算法挖掘文本中的相关主题和模式。

利用pyecharts可视化短评top 2000关键词的词共现结果如图所示。

image

Gephi是一个常用的网络分析和可视化软件,本文同时用gephi可视化了一组top 2000关键词的词共现关系图如下。

image

image

Gephi可视化结果

3.4 《狂飙》演职员图谱构建

知识图谱是一种将实体、属性、关系等知识以图谱的形式进行表示和存储的技术,可以帮助人们更加直观地了解知识的关联和组织方式。在影视、音乐、文学等领域,知识图谱也被广泛应用于作品分析、人物关系探究方面。

知识图谱的构建需要经过多个阶段,包括实体识别、关系抽取、实体链接等步骤。本文通过爬取《狂飙》的演职员信息,进行数据清洗和处理后,使用pyecharts构建了一个包含演员、导演、编剧、代表作、《狂飙》中的饰演人物等实体,以及他们之间关系的《狂飙》演职员知识图谱,用于展示演职员、作品及饰演人物之间的关系。通过图谱关系展示,可以直观的了解到演员、导演、编剧等之间的合作关系。这些关系的分析可以帮助我们更好地了解影视行业的人际关系网络,感兴趣的朋友可以继续扩展该图谱,探索更多的应用场景。

image

《狂飙》演职员关系图谱(全部)

image

《狂飙》演职员关系图谱(姓名->角色)

image

《狂飙》演职员关系图谱(姓名->代表作)

图谱构建的代码如下:

点击查看代码
  1. def generate_celebrity_graph():
  2. """
  3. 构建演职员关系图谱
  4. :return:
  5. """
  6. df = pd.read_csv("./data/狂飙演职员信息表.csv")
  7. data = df.values.tolist()
  8. # 转换格式
  9. nodes = []
  10. links = []
  11. nodes_name = []
  12. symbolSize_dict = {"姓名": 30, "角色": 20, "饰演人物": 20, "代表作": 20}
  13. categories = [{"name": x} for x in symbolSize_dict.keys()]
  14. for row in data:
  15. # 姓名、角色(";"分割多个)、饰演人物(可能为空)、代表作(";"分割多个)
  16. name, role, role_to_play, works = row
  17. role_list = role.split(";")
  18. works_list = works.split(";")
  19. if name not in nodes_name:
  20. nodes_name.append(name)
  21. # 一个节点
  22. node = {
  23. "name": name,
  24. "symbolSize": symbolSize_dict["姓名"],
  25. "category": "姓名",
  26. }
  27. nodes.append(node)
  28. for role_temp in role_list:
  29. if role_temp not in nodes_name:
  30. nodes_name.append(role_temp)
  31. node = {
  32. "name": role_temp,
  33. "symbolSize": symbolSize_dict["角色"],
  34. "category": "角色",
  35. }
  36. nodes.append(node)
  37. link = {
  38. "source": name,
  39. "target": role_temp
  40. }
  41. links.append(link)
  42. if role_temp == "演员":
  43. if role_to_play not in nodes_name:
  44. nodes_name.append(role_to_play)
  45. node = {
  46. "name": role_to_play,
  47. "symbolSize": symbolSize_dict["饰演人物"],
  48. "category": "饰演人物",
  49. }
  50. nodes.append(node)
  51. link = {
  52. "source": name,
  53. "target": role_to_play
  54. }
  55. links.append(link)
  56. for works_temp in works_list:
  57. if works_temp not in nodes_name:
  58. nodes_name.append(works_temp)
  59. if works_temp == "狂飙":
  60. node = {
  61. "name": works_temp,
  62. "symbolSize": 50, # 特别设置
  63. "category": "代表作",
  64. }
  65. else:
  66. node = {
  67. "name": works_temp,
  68. "symbolSize": symbolSize_dict["代表作"],
  69. "category": "代表作",
  70. }
  71. nodes.append(node)
  72. link = {
  73. "source": name,
  74. "target": works_temp
  75. }
  76. links.append(link)
  77. c = (
  78. Graph(init_opts=opts.InitOpts(theme=ThemeType.CHALK, width="1500px", height="1000px"))
  79. .add(
  80. "",
  81. nodes,
  82. links,
  83. categories,
  84. repulsion=1000,
  85. linestyle_opts=opts.LineStyleOpts(curve=0.6),
  86. )
  87. .set_global_opts(
  88. legend_opts=opts.LegendOpts(pos_left=100, pos_top=350, orient="vertical"),
  89. title_opts=opts.TitleOpts(title="人物关系图谱"),
  90. )
  91. .render("./result/演职员图谱.html")
  92. )
  93. print("演职员关系图谱,保存路径为:./result/演职员图谱.html")

4、短评相关数据分析与可视化

在获取评论的时候,顺便获取了关于评分、评论时间、评论位置和评论点赞数等相关数据。本文对评论位置与评论数量进行了统计分析,并将结果利用pyecharts进行了可视化展示。由柱状图可以直观看到获取评论数据量与地域之间的分布。此外,如感兴趣,还可以对“评分与时间”、“评分与位置”、“评分与点赞数”等关系进行分析,绘制折线图、饼图、地图等可视化效果。

image

5、总结

本文通过获取和解析豆瓣电视剧《狂飙》的短评和演职员信息,对这部电影进行了简单的数据分析和可视化展示。感兴趣的朋友,可以继续发散思维、扩展数据,探索发现更多的数据分析和可视化结果。


image

欢迎关注微信公众号:实用自然语言处理

原文链接:https://mp.weixin.qq.com/s/nURcYKN6vRBKjbMXAUbEng


原文链接:https://www.cnblogs.com/fengxi177/p/17173081.html

 友情链接:直通硅谷  点职佳  北美留学生论坛

本站QQ群:前端 618073944 | Java 606181507 | Python 626812652 | C/C++ 612253063 | 微信 634508462 | 苹果 692586424 | C#/.net 182808419 | PHP 305140648 | 运维 608723728

W3xue 的所有内容仅供测试,对任何法律问题及风险不承担任何责任。通过使用本站内容随之而来的风险与本站无关。
关于我们  |  意见建议  |  捐助我们  |  报错有奖  |  广告合作、友情链接(目前9元/月)请联系QQ:27243702 沸活量
皖ICP备17017327号-2 皖公网安备34020702000426号