用python爬取3万多条评论，看韩国人如何评价韩国电影《寄生虫》？
大家好，我是朱小五
今天给大家带来一个关于电影的数据分析文章。
别走啊，这次不是豆瓣，也不是猫眼
真的
今天分析的电影是韩国电影《寄生虫》。
它是由韩国导演奉俊昊自编自导的影片，一举拿下最佳影片、最佳导演、最佳原创剧本和最佳国际电影四座奥斯卡奖杯，创造历史成为奥斯卡史上首部非英语最佳影片。
nb plus!
这次带大家看看韩国人如何评价这部韩国电影的？
获取数据
数据从哪获取呢？
我们先打开韩国最大门户网站NAVER
找到영화（电影）板块，搜索기생충（寄生虫）并打开
上面介绍部分跟猫眼专业版一样，各种评分、演职员表、评分男女比例、年龄分布。
在评论区部分，它其实有点像是豆瓣和猫眼的综合体，无论看没看过都可以评价打分，不过看过的会单独有个小标识。
我们下划到评论区
下图中可以看到，目前有36360条评价，我们想要获取的数据是黑框中的内容。
包括每条留言的评论人昵称、评论时间、评分、评论内容以及这条评论得到的赞或踩。
下面开始爬取评论数据
利用requests和pyquery爬取数据，展示部分源码，完整见文末。
def main():
data = []
for i in range(1,200): #爬取多少页
url = 'https://movie.naver.com/movie/bi/mi/pointWriteFormList.nhn?code=161967&type=after&onlyActualPointYn=N&onlySpoilerPointYn=N&order=newest&page='+str(i)
print('准备采集第{}页数据'.format(i))
html = restaurant(url)
doc = pq(html)
for i in range(0,10):
print(i)
dic = {}
dic['star'] = doc('li:nth-child(' + str(i+1) +') > div.star_score > em').text()
dic['text'] = doc('#_filtered_ment_' + str(i)).text()
dic['datetime'] = doc('li:nth-child(' + str(i+1) +') > div.score_reple > dl > dt > em:nth-child(2)').text()
dic['name'] = doc('li:nth-child(' + str(i+1) +') > div.score_reple > dl > dt > em:nth-child(1) > a').text()
dic['zan'] = doc('li:nth-child(' + str(i+1) +') > div.btn_area > a._sympathyButton > strong').text()
dic['cai'] = doc('li:nth-child(' + str(i+1) +') > div.btn_area > a._notSympathyButton > strong').text()
data.append(dic)
#time.sleep(random.random())
pd.DataFrame(data).to_csv('寄生虫评论.csv',encoding="utf_8",index = False)
return data
运行结果：
歪瑞古德！
这样我们就成功获取了韩国人评价韩国电影《寄生虫》的评论数据！
数据整理
我们简单看一下数据
共35940条，比上文截图时候少了一点，这是因为我爬取和写这篇文章的时候有一点时间间隔，所以这个小问题请忽略。
另外，非常明显，评论字段缺失了很多。
我查看了一下，认为是在这个网站观看过电影的人可以只打分，不写评论。
（有点像在猫眼上买了电影票，评论时候同样可以只打分，不写评论）
简单补齐它吧，直接删除还是会影响整体的评分的。
def data_cleaning(df):
cols = df.columns
for col in cols:
if df[col].dtype == 'object':
df[col].fillna('缺失数据', inplace = True)
else:
df[col].fillna(0, inplace = True)
return(df)
这样我们就补全了缺失值
简单看一下平均分吧
看来这就是韩国观众的打分（9.07）比网民对《寄生虫》虫的评价（8.48）要高。
这与国内的情况也是相似的，同一部电影猫眼淘票票的分数普遍比豆瓣上要高。
毕竟真金白银去看电影的人，肯定会认为它是一部好片子才去看。
只要不像被《爱情公墓》一样诈骗，基本观众的分数不会太低。
后面想讲韩国网友的评论做一个词云，这样的话我们就需要先将评论中的韩文翻译成中文。
翻译评论
采用哪个翻译软件呢？
尝试了几个常见的翻译，发现结果都大同小异。
干脆采用了之前自己用过的有道翻译小接口。
def translate(text):
url = 'http://fanyi.youdao.com/translate?&doctype=json&type=KR2ZH_CN&i='+ text
requ_text = requests.get(url)
json_text = requ_text.json()
data = json_text['translateResult'][0][0]['tgt']
time.sleep(2+random.random())
print('翻译中')
return data
将评论列翻译，并新建一列用以做词云
ata['text_t'] = data.apply(lambda x :translate(x['text']), axis=1)运行结果
额，这个翻译一言难尽，不过大体意思还是可以看懂的，不太影响做词云。
接下来我们开始尝试做做图。
分析与可视化
正常利用python分析电影评论都有一个环节是男女比例和评分比例，这次我们并没有获得相关数据，那么就用NAVER网站提供的结果图简单的讲一下吧。
观看人群的性别比例非常均衡，各占50%。
各年龄段均有分布，其中[20，30）的观看人群最多。为什么10-20岁的青少年观看这么少呢？后面词云部分会回答这个问题。
在上图普通网民的评价中，女性评分更高一些。随着年龄的增长，评分越低，难道是越是年龄大的人越看透了韩国的现状？
他们主要的欣赏点依次是“导演”、“연기”、“故事”、“视觉效果”、“电影原声”。
（其中的“연기”用翻译软件都是翻译成烟，难道是特效的意思？懂韩文的同学可以留言一下）
至于看过电影的观众打分比普通网民会高，平均9.07分，而且男性比女性要略高。其他方面大体相似，就不讲了。
我们再看一下，韩国观众对电影《寄生虫》评论数量的时间走势。
plt.figure(figsize=(8,5), dpi=200)
x = score_by_time.index.date
y = score_by_time.values
plt.plot(x,y,c="g",marker=".",ls="-")
plt.title("韩国电影《寄生虫》评论数走势图")
plt.xlabel("月份")
plt.ylabel("评论数")
结果如下
可以明显看到，评论数量在电影《寄生虫》上映后达到一个高峰，而后随着时间的推移，数量逐渐减少。
之后有两个小高峰，分别是2019年8月初和2020年2月初。
通过查找新闻信息，收集到了两个消息：
1、韩国电影《寄生虫》，预计将在8月6日公开流媒体服务（就相当于我国的爱奇艺、优酷类似的平台）。
2、《寄生虫》2月10日拿下四项奥斯卡大奖后，在韩国的热度继续上升。
这样大家应该就解释清楚两个小高峰的问题啦。
最后我们再利用有道翻译好的评论数据做个WordCloud词云吧。
在对主创人员的讨论中，奉俊昊导演的功力和宋康昊的杰出演技被多次提及，电影中提到的“气味”“果酱”“戒指”也被多次探讨，故事中对社会与现实的反思也是热门的讨论话题。
前文我提到了为什么10-20岁的青少年观看这么少呢？而且词云中“15”这个关键词也比较突出。
这是因为韩国于1998年建立电影分级制度。规定电影分为5个等级：全民、12岁以上、15岁以上、18岁以上可以观看和限制放映。
而《寄生虫》在韩国获得了“15岁以上可以观影”的等级判定。
对作品内容就不做评价了。
以上。
后台回复关键词「进群」，即刻加入读者交流群~
这篇文章的灵感在去年看《寄生虫》就有了，结果就拖延拖延；
到了今年《寄生虫》获得奥斯卡，结果又因为那段时间工作忙，没时间写，就拖到了现在。
所以说，大家多多点在看，这样我就不好意思拖延不发原创了，是不是