使用爬虫抓取网易云音乐热门评论生成好玩的词云

Posted 2020-09-14

互联网爬虫是一个很有意思的技术，借由爬虫，我们可以做到很多好玩的事情——这其中就包括爬取评论。

词云就是个更好玩的技术，通过技术方法分析词语出现频率，生成可视化的图形，将文字内容用图形呈现，想想就很意思。

这次，我们就试着把这两个技术结合起来吧。

前言

网易云音乐一直是我向往的“神坛“，听音乐看到走心的评论的那一刻，高山流水。于是今天来抓取一下歌曲的热门评论。并做成词云来展示，看看相对于这首歌最让人有感受的评论内容是什么。

做成词云的好处就是直观以及美观， 其他的我也想不出来有什么了。

抓数据

要想做成词云，首先得有数据才行。于是需要一点点的爬虫技巧。

• 抓包分析

• 加密信息处理

• 抓取热门评论内容

01

抓包分析

使用Chrome控制台。我们可以轻松的找到评论所在的链接。如下图： 

现在URL算是找到了，下一步就是进行数据抓取了。但是简单尝试了一下，发现并不能获取到详细的信息，而是返回了空空的字符串。 
再次查看hreaders的信息，发现浏览器使用的是POST的方式进行的请求。具体字段如下图： 

02

加密信息处理

然后经过我的测试，直接把浏览器上这俩数据拿过来就可以。但是要想真正的解决这个加密处理，还需要有点加解密的只是存储。GitHub上有大牛分析了网易云音乐的字段加密的详情。有兴趣的可以搜索一下下面的文章参考一下。

网易云音乐新登录API分析

这里我就使用这么个临时的方法好了，而且对于不同的歌曲是可以重用的。待会我们可以验证一下。

03

抓取热门评论内容

从第一步拿到了接口，而返回的数据就是一个JSON字符串，获取一下稍作处理即可使用。

看下运行的结果吧。

词云

词云我使用的一个第三方库Wordcloud，可以使用pip进行安装。官网上有非常详细而且清晰的案例可供参考，这里就不重复的描述了。有兴趣的参考下面的链接。 
https://amueller.github.io/word_cloud/auto_examples/index.html

下面就直接上代码好了。

但是官网也好，其他地方也罢，都没有说对于中文的处理。然后我找啊找啊的，终于找到了解决办法，那就是在WordCloud的构造方法上指定字体文件的路径。这样就可以解决中文乱码的问题了。具体设置如下：

WordCloud(random_state=1, font_path = r’C:/Users/Windows/fonts/simkai.ttf’)

01

词云运行效果

最后来对比一下运行的效果。 

总结

来回顾一下，文章针对网易云音乐的热门评论做了爬取，并通过词云生成器制作出了相对应的词云。

可以拓展的地方：

• 词云mask，支持特定背景的词云生成

• 热门评论批量爬取，只需要获取对应歌曲的ID即可。

• 封装起来，提取接口，对外界提供热评服务，或者词云生成服务。

• … …

最后，网易真的是国内互联网的现象级产品——似乎所有的网易产品都天生自带神评论的属性。

看了这篇文章，建议大家可以自己动手实践一下，如果操作过程出现什么问题，也可以在评论区留言交流哦~

本文出自 “马哥Linux培训” 博客，请务必保留此出处http://mageedu.blog.51cto.com/4265610/1920309