目的
各大电商竞争越来激烈，为了提升客户服务质量，除了打价格战外，了解客户的需求点，对消费者的文本评论进行数据挖掘,倾听客户的心声越来越重要。
工具
1、贝壳采集器
2、Google浏览器
3、Python3.7 + Pycharm
数据采集
①本文对京东平台的手机进行爬虫，首先进入京东商城，选择一款手机，这里以华为Mate 30 Pro 5G为例
②在采集平台输入网址，点击贝壳采集开始配置信息
③因为是采集评论所以还需要进行下预操作配置切换页面：点击预操作按钮–>添加点击元素按钮–>左键点击流程图中添加元素按钮(悬浮显示操作键)–>点击悬浮显示操作键<选择按钮> -->点击网页商品评论TAB页切换按钮 -->点击保存
④没有识别出评论信息，手工操作下：清空字段–>更改页面类型为手工识别列表 --> 选中两个一样元素(这里两个用户名称) -->下一页未自动识别成功–>更改分页类型为手动点击下一页–>配置完成–>开始采集
数据预处理
当我们通过爬虫获取到我们想要的数据之后，进行简单的观察，可以发现评论的一些特点：
文本短，基本上大量的评论就是一句话.
情感倾向明显：明显的词汇 如”好” “可以”
语言不规范：会出现一些网络用词，符号，数字等
重复性大：一句话出现词语重复
数据量大.
故我们需要对这些数据进行数据预处理
数据预处理包括：去重、分词等
下面我们将进行数据清洗
import jieba
#评论内容进行去重
def quchong(infile, outfile):
infopen = open(infile, ‘r’, encoding=‘utf-8’)
outopen = open(outfile, ‘w’, encoding=‘utf-8’)
lines = infopen.readlines()
list_1 = []
for line in lines:
if line not in list_1:
list_1.append(line)
outopen.write(line)
infopen.close()
outopen.close()
quchong(“E:/comments/华为P30.txt”, “E:/comments/P30去重.txt”)
#jieba.load_userdict(‘userdict.txt’)
#创建停用词list
def stopwordslist(filepath):
stopwords = [line.strip() for line in open(filepath, ‘r’, encoding=‘utf-8’).readlines()]
return stopwords
对评论内容进行分词
def seg_sentence(sentence):
sentence_seged = jieba.cut(sentence.strip())
stopwords = stopwordslist(‘stopwords.txt’) # 这里加载停用词的路径
outstr = ‘’
for word in sentence_seged:
if word not in stopwords:
if word != ‘\t’:
outstr += word
outstr += " "
return outstr
inputs = open(‘E:/comments/P30去重.txt’, ‘r’, encoding=‘utf-8’)
outputs = open(‘E:/comments/P30分词.txt’, ‘w’)
for line in inputs:
line_seg = seg_sentence(line) # 这里的返回值是字符串
outputs.write(line_seg + ‘\n’)
outputs.close()
inputs.close()
print(‘分词完毕’)
数据分析
上面我们已经通过去重和jieba分词将爬取的内容进行了预处理，接下来就开始对处理过的数据进行分析，包括词频统计、关键词提取以及词云的生成等
#词频统计
import jieba.analyse
from collections import Counter # 词频统计
with open(‘E:/comments/P30分词.txt’, ‘r’, encoding=‘utf-8’) as fr:
data = jieba.cut(fr.read())
data = dict(Counter(data))
with open(‘E:/comments/P30词频.txt’, ‘w’, encoding=‘utf-8’) as fw: # 读入存储wordcount的文件路径
for k, v in data.items():
fw.write(’%s, %d\n’ % (k, v))
import jieba.analyse
import matplotlib.pyplot as plt
from wordcloud import WordCloud
#生成词云
with open(‘E:/comments/P30词频.txt’) as f:
# 提取关键词
data = f.read()
keyword = jieba.analyse.extract_tags(data, topK=50, withWeight=False)
wl = " ".join(keyword)
# 设置词云
wc = WordCloud(
# 设置背景颜色
background_color = “white”,
# 设置最大显示的词云数
max_words=2000,
# 这种字体都在电脑字体中，一般路径
font_path=‘C:/Windows/Fonts/simfang.ttf’,
height=1200,
width=1600,
# 设置字体最大值
max_font_size=100,
# 设置有多少种随机生成状态，即有多少种配色方案
random_state=30,
)
myword = wc.generate(wl) # 生成词云
# 展示词云图
plt.imshow(myword)
plt.axis(“off”)
plt.show()
wc.to_file(‘E:/comments/P30.png’) # 把词云保存下
