Python用5000+條數據爲你分析《我不是藥神》！（附代碼）

2018-07-10 22:00:43 THU數據派

本文共1400字，建議閱讀6分鐘。

本文帶你爬取豆瓣、貓眼、淘票票等網站上《我不是藥神》的信息並用Python進行分析。

《我不是藥神》是由文牧野執導，徐崢、王傳君、週一圍、譚卓、章宇、楊新鳴等主演的喜劇電影，於 2018 年 7 月 6 日在中國上映。

影片在未上映前，大規模的點映積攢了相當高的人氣和口碑，截止 7 月 9 日凌晨：豆瓣評分：9.0 分，貓眼：9.7 分，淘票票：9.5 分，時光網：8.8 分。

為什麼我說這三個網站呢，因為我們今天近 5000+ 條短評數據就來自於此，用專業的數據更有說服力。

綜合幾家的數據：五星推薦如此之高，生活環境是真實的，情緒是真實的，困境也是真實的，甚至女主角是一個真實的上了年紀的美女，有真實的皺紋！真實才能帶來沉浸體驗。表面說的是藥，深層說的是命。

藥能治病，命卻不由自主，直面中國底層生命的苦難和尊嚴，也沒有逃避對社會制度和商業法則的拷問，這是影片鍥入中國現實的關鍵，也是引發大眾共鳴的核心。

盛世危言，卻讓人能看到希望，這部影片極有可能成為 2018 年最具有爆炸性的話題。這也許就是未播先火，豆瓣 16 年後首部 9.0 高分電影的原因。

今天我們用 5000+ 條數據來分析一下，哪些地區，什麼樣的人，喜歡這部電影。

程勇只是個賣印度神油的小販，日子過的還湊合。老爹血管瘤急著做手術，住院沒錢，妻子要帶兒子移民去國外發展，靠賣印度神油掙來的錢連水電費都交不起，處處都需要錢。

神秘男子呂受益找到程勇，讓他從印度幫忙代購一款藥物。呂受益患有血液癌症，需要長期服用抗癌藥物進行治療。

正版藥“瑞士格列寧”非常昂貴，普通人家根本供應不起，但在印度有一款仿製藥”印度格列寧“價格卻只有 1/20，但在中國是屬於禁藥，走私被抓，是需要負法律責任的。

在巨大利益的驅使下，思慧，神父，黃毛先後出場，賣藥五人組團建成功，他成為一名“藥販子”。

對於病友來說，他們擁有了活下去的機會，紛紛給程勇送錦旗，自此稱其為“藥神”。

代購的藥出現問題，假藥販子張長林的出現威脅程勇，怕被抓，賣藥組正式散夥。

程勇開了工廠，呂受益死，張長林跑路，讓程勇完成第一次蛻變，許多病人無藥可吃，程勇再次去印度並重新團建賣藥。

警方嚴打假藥販子，張長林被抓。警方發現程勇窩點，黃毛為了掩護程勇而死，讓他完成第二次蛻變。

以賠本價繼續代購印度藥，送兒子移民，晚上賣藥被警察抓。三年後出獄，外面已是改天換地。

《我不是藥神》的現實意義大於電影本身，許多人評論這部電影都有些揚眉吐氣的感覺，大家都在做一箇中國電影終於敢說真話的夢。

截止 7 月 9 日凌晨，累積票房超過 13 個億，佔當天票房近 84%。

哪些地區貢獻的票房更多一些？

如這張圖片動態展示的情況，你會發現貢獻最多的還是：北京、上海、廣州，二線城市同樣成為票房的貢獻者。

從畫像來看，更趨於中年，油膩的中年，人人都怕老病死，人人都怕上下為難，人人都有為謀生計不得不做的事情，人人亦都向往真與善……是這些時刻集中起來讓煽情的《藥神》不那麼脫離現實。

從數據上來看評論：

好看，現實，好片，感人，淚點，作品很棒

“領導，我求求你，別再查“假藥”了行麼。這藥假不假，我們這些吃的人還不知道麼？”

”我吃了三年正版藥，房子吃沒了，家也吃垮了。現在好不容易有了便宜藥，可你們非說這是“假藥”。不吃藥，我們就只能等死。”

《我不是藥神》戳中的是每個人的痛點，誰能保證這一輩子自己和家人不生病呢？

一旦遇上大病，動輒上萬的高昂醫藥費讓普通人家根本無力承擔。一人生病，全家拖垮，真不是危言聳聽。

迴歸技術：分享一下我們如何獲取的數據

首先是豆瓣，豆瓣自從去年 10 月份已經全面禁止爬取數據，僅僅放出 500 條數據，豆瓣封 IP，白天一分鐘可以訪問 40 次，晚上一分鐘可以訪問 60 次，超過限制次數就會封 IP。

import urllib

import requests

from urllibimport request

import time

header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win32; x32; rv:54.0) Gecko/20100101 Firefox/54.0',

'Connection': 'keep-alive'}

cookies = 'v=3; iuuid=1A6E888B4A4B29B16FBA1299108DBE9CDCB327A9713C232B36E4DB4FF222CF03; webp=true; ci=1%2C%E5%8C%97%E4%BA%AC; __guid=26581345.3954606544145667000.1530879049181.8303; _lxsdk_cuid=1646f808301c8-0a4e19f5421593-5d4e211f-100200-1646f808302c8; _lxsdk=1A6E888B4A4B29B16FBA1299108DBE9CDCB327A9713C232B36E4DB4FF222CF03; monitor_count=1; _lxsdk_s=16472ee89ec-de2-f91-ed0%7C%7C5; __mta=189118996.1530879050545.1530936763555.1530937843742.18'

def html_prase(url):

r = requests.get(url).content

return r

cookie = {}

for line in cookies.split(';'):

name, value = cookies.strip().split('=', 1)

cookie[name] = value

def html_prase(url):

r = requests.get(url).content

return r

for iin range(1, 100):

print('正在打印第%s頁' % i)

try:

url= 'http://m.maoyan.com/mmdb/comments/movie/1200486.json?_v_=yes&offset=%s&' % (

i* 15)

print(url)

proxy = html_prase('http://172.17.0.29:5010/get/')..decode('utf-8') # 代理是自建代理池，有需要使用代理的可以聯繫我，知乎ID：佈道

html = requests.get(url=url, cookies=cookie, headers=header,

proxies={"http": "http://{}".format(proxy)}).content

data = json.loads(html.decode('utf-8'))['cmts']

for item in data:

comment = item['content']

date = item['time'].split(' ')[0]

rate = item['score']

city = item['cityName']

img= item['avatarurl']

print(date, rate, comment, city, )

with open('maoyan_08.txt', 'a', encoding='utf-8') as f:

f.write(date + ',' + str(rate) + ',' + comment + ',' + comment + ',' + city + '\n')

if img:

f = open('C:\\Users\My\Desktop\yaoshen\img\\' + img.split('/')[-1], 'wb')

f.write((urllib.request.urlopen(img)).read())

except:

continue

time.sleep(5 + float(random.randint(1, 100)) / 20)

另外一種方式：Anyproxy+JS+Python+ Monkeyrunner，可以爬取 Web 靜態網站、App 應用、JS 渲染數據的動態網站的數據都可以進行爬取。

安裝使用，請查閱：

官方 Github：
https://github.com/alibaba/anyproxy

JS 代碼：

var logMap = {}

var fs = require('fs');

var iconv = require('iconv-lite');

var logger = fs.createWriteStream('./urlLog.log', {

flags: 'a' // 'a' means appending (old data will be preserved)

})

function logPageFile(url) {

if (!logMap[url]) {

logMap[url] = true;

logger.write(url + '\r\n');

}

function postData(post_data, path, cb) {

// // Build the post string from an object

// var post_data = JSON.stringify({

// 'data': data

// });

// An object of options to indicate where to post to

var post_options = {

host: '127.0.0.1',

port: '9999',

path: '/' + path,

method: 'POST',

headers: {

'Content-Type': 'application/json',

'Content-Length': Buffer.byteLength(post_data)

}

};

var http = require('http');

// Set up the request

var post_req = http.request(post_options, function (res) {

res.setEncoding('utf8');

res.on('data', cb);

});

logger.write('request post data 1\r\n')

// post the data

post_req.write(post_data);

logger.write('request post data 2\r\n')

post_req.end();

}

module.exports = {

summary: 'a rule to modify response',

* beforeSendResponse(requestDetail, responseDetail) {

if (/movie\/1200486/i.test(requestDetail.url)) {

logger.write('matched: ' + requestDetail.url + '\r\n');

if (responseDetail.response.toString() !== "") {

logger.write(responseDetail.response.body.toString());

var post_data = JSON.stringify({

'url': requestDetail.url,

'body': responseDetail.response.body.toString()

});

logger.write("post comment to server -- ext");

postData(post_data, 'douban_comment', function (chunk) {

});

}

};

使用 AnyProxy 加載 JS 代碼：

anyproxy -i --rule wxrule.js

Service 代碼部分：

#!/usr/bin/env python3

import asyncio

import re

import textwrap

import threading

import time

import os

import pymysql

from mysqlmgrimport MysqlMgr

from mongomgrimport MongoManager

from subprocess import call

import requests

from lxmlimport etree

from lxmlimport html

from aiohttp.webimport Application, Response, StreamResponse, run_app

import json

STATE_RUNNING = 1

STATE_IN_TRANSACTION = 2

running_state= 0

run_swipe= True

last_history_time= time.clock()

# A thread to save data to database in background

def insert_to_database(biz, msglist):

try:

for msg in msglist:

print(biz)

print(msg['comm_msg_info']['id'])

mongo_mgr.enqueue_data(msg['comm_msg_info']['id'], biz, msg )

except Exception as e:

print(e)

def save_data(biz, msglist_str):

save_thread= threading.Thread(target=insert_to_database, args=(biz, msglist_str,))

save_thread.setDaemon(True)

save_thread.start()

def swipe_for_next_page():

while run_swipe:

time.sleep(5)

if time.clock() - last_history_time>120:

if running_state== STATE_RUNNING:

reenter()

continue

call(["adb", "shell", "input", "swipe", "400", "1000", "400", "200"])

def reenter():

global running_state

running_state= STATE_IN_TRANSACTION

# 模擬側滑實現返回上一頁

call(["adb", "shell", "input", "swipe", "0", "400", "400", "400"])

time.sleep(2)

# 點擊"進入歷史消息"，每個手機的位置不一樣，需要單獨設置 X 和 Y

call(["adb", "shell", "input", "tap", "200", "1200"])

time.sleep(2)

header={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:54.0) Gecko/20100101 Firefox/54.0','Connection':'keep-alive'}

def html_prase(url):

r = requests.get(url,header).content

return html.fromstring(r)

async def report_url(request):

resp = StreamResponse()

data = await request.json()

url= data['url']

# print("url reported: " + url)

biz = re.findall('__biz=(.*?)\&', url)

if len(biz) == 0:

await resp.prepare(request)

return resp

biz = biz[0]

print('----------------\r\n'+ biz + '\r\n----------------\r\n')

mysql_mgr.enqueue_biz(biz, '')

bizs.add(biz)

biz = biz.encode('utf8')

resp.content_type= 'text/plain'

await resp.prepare(request)

resp.write(biz)

await resp.write_eof()

return resp

async def intro(request):

txt = textwrap.dedent("""\

Type {url}/hello/John {url}/simple or {url}/change_body

in browser url bar

""").format(url='127.0.0.1:8080')

binary = txt.encode('utf8')

resp = StreamResponse()

resp.content_length= len(binary)

resp.content_type= 'text/plain'

await resp.prepare(request)

resp.write(binary)

return resp

async def simple(request):

return Response(text="Simple answer")

async def change_body(request):

resp = Response()

resp.body= b"Body changed"

resp.content_type= 'text/plain'

return resp

# coding=utf-8

async def app_douban_comment(request):

resp = StreamResponse()

data = await request.json()

global running_state

global last_history_time

msg_data= json.loads(data['body'])['data']['cts']

for item in msg_data:

comment = item['ce'].strip().replace('\n','')

rate = item['cr']

print(comment, rate)

with open('date_rate_comment_sg.txt', 'a', encoding='utf-8') as f:

f.write('2018-07-06' + ',' + str(rate) + ',' + comment + '\n')

last_history_time= time.clock()

resp.content_type= 'text/plain'

await resp.prepare(request)

await resp.write_eof()

return resp

last_history_time= time.clock()

resp.content_type= 'text/plain'

await resp.prepare(request)

await resp.write_eof()

return resp

async def init(loop):

app = Application()

app.router.add_get('/', intro)

app.router.add_post('/url', report_url)

app.router.add_post('/douban_comment', app_douban_comment)

return app

def start_swipe_thread():

try:

t = threading.Thread(

target=swipe_for_next_page, name='swipe')

# set daemon so main thread can exit when receives ctrl-c

t.setDaemon(True)

t.start()

except Exception:

print("Error: unable to start thread")

loop = asyncio.get_event_loop()

app = loop.run_until_complete(init(loop))

run_app(app, host='127.0.0.1', port=9999)

這是示例代碼，實際使用過程，需要進行微調。獲取貓眼數據，最難是難在找貓眼 App 的數據接口。

我費了很大力氣才找到：

http://m.maoyan.com/mmdb/comments/movie/1200486.json?_v_=yes&offset=15'

接口怎麼使用，直接看代碼，獲取淘票票的數據需要你自己去嘗試找一下。

import json

import random

import urllib

import requests

from urllibimport request

import time

header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win32; x32; rv:54.0) Gecko/20100101 Firefox/54.0',

'Connection': 'keep-alive'}

cookies ='v=3; iuuid=1A6E888B4A4B29B16FBA1299108DBE9CDCB327A9713C232B36E4DB4FF222CF03; webp=true; ci=1%2C%E5%8C%97%E4%BA%AC; __guid=26581345.3954606544145667000.1530879049181.8303; _lxsdk_cuid=1646f808301c8-0a4e19f5421593-5d4e211f-100200-1646f808302c8; _lxsdk=1A6E888B4A4B29B16FBA1299108DBE9CDCB327A9713C232B36E4DB4FF222CF03; monitor_count=1; _lxsdk_s=16472ee89ec-de2-f91-ed0%7C%7C5; __mta=189118996.1530879050545.1530936763555.1530937843742.18'

cookie = {}

for line in cookies.split(';'):

name, value = cookies.strip().split('=', 1)

cookie[name] = value

def html_prase(url):

r = requests.get(url).content

return r

for iin range(1, 100):

print('正在打印第%s頁' % i)

try:

url= 'http://m.maoyan.com/mmdb/comments/movie/1200486.json?_v_=yes&offset=%s&' %(i*15) +'startTime=2018-07-01%2012%3A30%3A42'

print(url)

html = requests.get(url=url, cookies=cookie, headers=header).content

data = json.loads(html.decode('utf-8'))['cmts']

for item in data:

comment = item['content']

date = item['time'].split(' ')[0]

rate = item['score']

city = item['cityName']

img= item['avatarurl']

print(date, rate, comment, city, )

with open('maoyan_08.txt', 'a', encoding='utf-8') as f:

f.write(date + ',' + str(rate) + ',' + comment +',' + comment + ','+ city +'\n')

if img:

f = open('C:\\Users\My\Desktop\yaoshen\img\\' + img.split('/')[-1], 'wb')

f.write((urllib.request.urlopen(img)).read())

except:

break

time.sleep(5 + float(random.randint(1, 100)) / 20)

動態地圖展示代碼：

from pyechartsimport Style

from pyechartsimport Geo

city =[]

with open('maoyan.txt', mode='r', encoding='utf-8') as f:

rows = f.readlines()

for row in rows:

if len(row.split(',')) == 5:

city.append(row.split(',')[4].replace('\n',''))

def all_list(arr):

result = {}

for iin set(arr):

result[i] = arr.count(i)

return result

data = []

for item in all_list(city):

data.append((item,all_list(city)[item]))

style = Style(

title_color="#fff",

title_pos="center",

width=1200,

height=600,

background_color='#404a59'

)

geo = Geo( "《我不是藥神》評論人群地理位置","數據來源：知乎ID：佈道", **style.init_style)

attr, value = geo.cast(data)

geo.add("", attr, value, visual_range=[0, 100],

visual_text_color="#fff", is_legend_show=False,

symbol_size=20, is_visualmap=True,

tooltip_formatter='{b}',

label_emphasis_textsize=15,

label_emphasis_pos='right')

geo.render()

每天爬取數據量代碼：

from pyechartsimport EffectScatter

from pyechartsimport Style

style= Style(

title_color="#191970",

title_pos="left",

width=900,

height=450,

background_color='#F8F8FF'

)

es = EffectScatter("《我不是藥神》短評數據情況","數據來源：知乎ID：佈道", **style.init_style)

es.add("", [1], [270], symbol_size=20, effect_scale=4,