大众点评评论文本挖掘，包括点评数据爬取、数据清洗入库、数据分析、评论情感分析等的完整挖掘项目.zip

# 大众点评评论文本挖掘 [TOC] ## 一、爬虫 ### 整体思路 爬取大众点评十大热门糖水店的评论，爬取网页后从html页面中把需要的字段信息（顾客id、评论时间、评分、评论内容、口味、环境、服务、店铺ID）提取出来并存储到MYSQL数据库中。 ### 网页爬取和解析 链接格式为"http://www.dianping.com/shop/" + shopID + "/review_all/" + pi，如：http://www.dianping.com/shop/518986/review_all/p1 ，一页评论有20条。我们使用for循环构造链接URL，使用requests库发起请求并把html页面爬取下来，通过BeautifulSoup和re库解析页面提取信息。 我们发现完整的评论都存储在'div','main-review'中，且部分页面口味、环境、服务并不是每一页都有，因此需要使用try...except...防止程序中断，BeautifulSoup部分代码如下： ``` python for item in soup('div','main-review'): cus_id = item.find('a','name').text.strip() comment_time = item.find('span','time').text.strip() comment_star = item.find('span',re.compile('sml-rank-stars')).get('class')[1] cus_comment = item.find('div',"review-words").text.strip() scores = str(item.find('span','score')) try: kouwei = re.findall(r'口味：([\u4e00-\u9fa5]*)',scores)[0] huanjing = re.findall(r'环境：([\u4e00-\u9fa5]*)',scores)[0] fuwu = re.findall(r'服务：([\u4e00-\u9fa5]*)',scores)[0] except: kouwei = huanjing = fuwu = '无' ``` ### 数据存储 我们使用MYSQL数据库，安装教程参考[菜鸟教程](http://www.runoob.com/mysql/mysql-install.html)，python连接MYSQL数据推荐使用pymysql，同样是推荐菜鸟教程[菜鸟教程](http://www.runoob.com/python3/python3-mysql.html)。我们需要先建立一个数据库和表，然后连接并定义游标，然后写对应的sql语句，最后执行事务，存储部分的代码如下： ``` python #连接MYSQL数据库 db = pymysql.connect("localhost","root","","TESTDB" ) cursor = db.cursor() #存储爬取到的数据 def save_data(data_dict): sql = '''INSERT INTO DZDP(cus_id, comment_time, comment_star, cus_comment, kouwei, huanjing, fuwu, shopID) VALUES(%s,%s,%s,%s,%s,%s,%s,%s)''' value_tup = (data_dict['cus_id'] ,data_dict['comment_time'] ,data_dict['comment_star'] ,data_dict['cus_comment'] ,data_dict['kouwei'] ,data_dict['huanjing'] ,data_dict['fuwu'] ,data_dict['shopID'] ) try: cursor.execute(sql,value_tup) db.commit() except: print('数据库写入失败') return ``` ### 反爬虫对抗 1. **修改请求头中浏览器信息**：使用fake_useragent第三方库，修改request中的headers参数，用法如下： ``` python from fake_useragent import UserAgent ua = UserAgent() headers = {'User-Agent':ua.random} ``` 2. **设置跳转路径**：在访问评论时，一般的浏览行为是从某一页跳转到下一页这样的，而不是直接通过连接访问，为了更好的伪装成一个正常的访问，我们需要设置一下跳转的路径，修改headers中的Referer参数 ``` python headers = { 'User-Agent':ua.random, 'Cookie':cookie, 'Referer': 'http://www.dianping.com/shop/518986/review_all' } ``` 3. **设置Cookies**：评论数据需要登录后才能获取，下面介绍一种非常简单方便的绕过登录的方法。 - 在网页上进行登录 - 使用Chrome浏览器的开发者工具，查询当前请求的cookie - 复制浏览器中的cookie，使用此cookie对我们的请求进行伪装 4. **使用IP代理池**：这里使用西刺代理的免费代理，构建一个爬虫爬取西刺代理的ip，然后进行验证，筛掉不可用的ip，构建出ip池供后续调用，代码来自网络。但是经过测试，大众点评对一个账号不同ip访问监控非常严格，使用IP代理池不更换账号的话，死的更快，封你账号，然而构建账号池比较麻烦，我们先暂缓。 5. **降低爬取频率**：一个简单又有效的方法就是降低爬取频率，毕竟高频率的爬取对服务器也是一个考验，如果对速度的要求不是很高的话，建议把频率放慢一点，你好我好大家好！ ``` python import random import time time.sleep(6*random.random() + 4) ``` 6. **设置断点续传**：即使降低了爬取频率，有时还是会被美团的网络工程师抓到的，小哥哥饶命啊~。因此我们需要一个断点续传的小功能，避免每次都从头开始爬。思路是建一个文本文件，存储当前爬取的进度，每次运行程序时都出当前进度开始，详见代码~ ## 二、探索性分析与文本数据预处理 ### 探索性分析 1. 查看数据大小以及基础信息 ，浏览数据  2. 样本分布  3. 各店铺评分分布  4. 点评数的的时间分布  5. 查看评论长度对结果影响  ### 数据预处理 1. **去除非文本数据**：可以看出，爬虫获取的数据非常多类似“\xa0”的非文本数据，而且都还有一些无意义的干扰数据，如结尾的“收起评论” ``` python #除去非文本数据和无意义文本 data['cus_comment'] = data['cus_comment'].str.replace(r'[^\u4e00-\u9fa5]','').str.replace('收起评论','') ``` 2. **中文分词**：中文文本数据处理，怎么能离开中文分词呢，我们使用jieba库，简单又好用。这里我们把文本字符串处理为以空格区隔的分词字符串 ``` python #中文分词 import jieba data['cus_comment'] = data['cus_comment'].apply(lambda x:' '.join(jieba.cut(x))) ``` 3. **去除停用词**：文本中有很多无效的词，比如“着”，“和”，还有一些标点符号，这些我们不想在文本分析的时候引入，因此需要去掉，因为wordcloud和TF-IDF都支持停用词，因此就不额外处理了 ### 词云展示  ## 三、文本的情感分析 先上结果： | 糖水店的评论文本 | 模型预测的情感评分 | | :------------------------------------------- | :----------------- | | '糖水味道不错，滑而不腻，赞一个，下次还会来' | 0.91 | | '味道一般，没啥特点' | 0.52 | | '排队老半天，环境很差，味道一般般' | 0.05 | 模型的效果还可以的样子，yeah~接下来我们好好讲讲怎么做的哈，我们通过爬虫爬取了大众点评广州8家最热门糖水店的3W条评论信息以及评分作为训练数据，前面的分析我们得知*样本很不均衡*。接下来我们的整体思路就是：文本特征提取(TF-IDF)—机器学习建模—模型评价。 我们先不处理样本不均衡问题，直接建模后查看结果，接下来我们再按照两种方法处理样本不均衡，对比结果。 ### 文本特征提取（TF-IDF） 模型不能直接处理文本数据，因此需要先把文本数据转为向量，方法有词库表示法、TF-IDF、word2vec等，推荐一篇文章，总结得不错 https://zhuanlan.zhihu.com/p/44917421。 ``` python #使用TF-IDF进行文本转向量处理 from sklearn.feature_extraction.text import TfidfVectorizer tv = TfidfVectorizer(stop_words=stopwords, max_features=3000, ngram_range=(1,2)) tv.fit(x_train) ``` ### 机器学习建模 这里我们使用文本分类的经典算法朴素贝叶斯算法，而且朴素贝叶斯算法�