爬取过程：
你好，李焕英 短评的URL：
/subject/34841067/comments?start=20&limit=20&status=P&sort=new_score
分析要爬取的URL;
34841067：电影ID
start=20：开始页面
limit=20：每页评论条数
代码：
url = '/subject/%s/comments?start=%s&limit=20&sort=new_score&status=P % (movie_id, (i - 1) * 20)
在谷歌浏览器中按F12进入开发者调试模式，查看源代码，找到短评的代码位置，查看位于哪个div，哪个标签下：
可以看到评论在div[id=‘comments’]下的div[class=‘comment-item’]中的第一个span[class=‘short’]中，使用正则表达式提取短评内容，即代码为：
url = '/subject/%s/comments?start=%s&limit=20&sort=new_score&status=P' \% (movie_id, (i - 1) * 20)req = requests.get(url, headers=headers)req.encoding = 'utf-8'comments = re.findall('<span class="short">(.*)</span>', req.text)
背景图：
生成的词云：
完整代码：
import refrom PIL import Imageimport requestsimport jiebaimport matplotlib.pyplot as pltimport numpy as npfrom os import pathfrom wordcloud import WordCloud, STOPWORDSheaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:64.0) Gecko/0101 Firefox/64.0'}d = path.dirname(__file__)def spider_comment(movie_id, page):"""爬取评论:param movie_id: 电影ID:param page: 爬取前N页:return: 评论内容"""comment_list = []for i in range(page):url = '/subject/%s/comments?start=%s&limit=20&sort=new_score&status=P&percent_type=' \% (movie_id, (i - 1) * 20)req = requests.get(url, headers=headers)req.encoding = 'utf-8'comment_list = re.findall('<span class="short">(.*)</span>', req.text)print("当前页数:%s，总评论数:%s" % (i, len(comment_list)))return comment_listdef wordcloud(comment_list):wordlist = jieba.lcut(' '.join(comment_list))text = ' '.join(wordlist)print(text)# 调用包PIL中的open方法，读取图片文件，通过numpy中的array方法生成数组backgroud_Image = np.array(Image.open(path.join(d, "wordcloud.png")))wordcloud = WordCloud(font_path="simsun.ttc",background_color="white",mask=backgroud_Image, # 设置背景图片stopwords=STOPWORDS,width=2852,height=2031,margin=2,max_words=6000, # 设置最大显示的字数#stopwords={'企业'}, # 设置停用词，停用词则不再词云图中表示max_font_size=250, # 设置字体最大值random_state=1, # 设置有多少种随机生成状态，即有多少种配色方案scale=1) # 设置生成的词云图的大小# 传入需画词云图的文本wordcloud.generate(text)wordcloud.to_image()wordcloud.to_file("cloud.png")plt.imshow(wordcloud)plt.axis("off")plt.show()# 主函数if __name__ == '__main__':movie_id = '34841067'page = 11comment_list = spider_comment(movie_id, page)wordcloud(comment_list)
WordCloud各含义参数如下：
font_path : string #字体路径，需要展现什么字体就把该字体路径+后缀名写上，如：font_path = '黑体.ttf'width : int (default=400) #输出的画布宽度，默认为400像素height : int (default=200) #输出的画布高度，默认为200像素prefer_horizontal : float (default=0.90) #词语水平方向排版出现的频率，默认 0.9 （所以词语垂直方向排版出现频率为 0.1 ）mask : nd-array or None (default=None) #如果参数为空，则使用二维遮罩绘制词云。如果 mask 非空，设置的宽高值将被忽略，遮罩形状被 mask 取代。除全白（#FFFFFF）的部分将不会绘制，其余部分会用于绘制词云。如：bg_pic = imread('读取一张图片.png')，背景图片的画布一定要设置为白色（#FFFFFF），然后显示的形状为不是白色的其他颜色。可以用ps工具将自己要显示的形状复制到一个纯白色的画布上再保存，就ok了。scale : float (default=1) #按照比例进行放大画布，如设置为1.5，则长和宽都是原来画布的1.5倍min_font_size : int (default=4) #显示的最小的字体大小font_step : int (default=1) #字体步长，如果步长大于1，会加快运算但是可能导致结果出现较大的误差max_words : number (default=200) #要显示的词的最大个数stopwords : set of strings or None #设置需要屏蔽的词，如果为空，则使用内置的STOPWORDSbackground_color : color value (default=”black”) #背景颜色，如background_color='white',背景颜色为白色max_font_size : int or None (default=None) #显示的最大的字体大小mode : string (default=”RGB”) #当参数为“RGBA”并且background_color不为空时，背景为透明relative_scaling : float (default=.5) #词频和字体大小的关联性color_func : callable, default=None #生成新颜色的函数，如果为空，则使用 self.color_funcregexp : string or None (optional) #使用正则表达式分隔输入的文本collocations : bool, default=True #是否包括两个词的搭配colormap : string or matplotlib colormap, default=”viridis” #给每个单词随机分配颜色，若指定color_func，则忽略该方法random_state : int or None #为每个单词返回一个PIL颜色fit_words(frequencies) #根据词频生成词云generate(text) #根据文本生成词云generate_from_frequencies(frequencies[, ...]) #根据词频生成词云generate_from_text(text) #根据文本生成词云process_text(text) #将长文本分词并去除屏蔽词（此处指英语，中文分词还是需要自己用别的库先行实现，使用上面的 fit_words(frequencies) ）recolor([random_state, color_func, colormap]) #对现有输出重新着色。重新上色会比重新生成整个词云快很多to_array() #转化为 numpy arrayto_file(filename) #输出到文件
