基于爬虫+词云图+Kmeans聚类+LDA主题分析+社会网络语义分析对大唐不夜城用户评论进行分析

🤵‍♂️ 个人主页：@艾派森的个人主页

✍🏻作者简介：Python学习者
🐋 希望大家多多支持，我们一起进步！😄
如果文章对你有帮助的话，
欢迎评论 💬点赞👍🏻 收藏 📂加关注+

一、项目简介

    本项目是基于携程网中关于大唐不夜城评论的文本分析，项目中用到了Python爬虫、词频分析、词云图分析、kmeans聚类、LDA主题分析、情感分析、社会网络语义分析等。

二、实验过程

实验环境

Anaconda

Python3.9

2.1获取数据

数据目标是获取携程网中关于大唐不夜城景点的评论文本数据

由于该网站抓包不是很方便，于是我果断选择使用selenium自动化工具来爬取数据。该网站也不需要登录，直接可以访问这个页面并且可跳转下一页，最后我们使用CSV文件进行存储。

先导入第三方库

from time import sleep
from selenium.webdriver.chrome.service import Service
from selenium.webdriver import Chrome,ChromeOptions
from selenium.webdriver.common.by import By
import warnings
import csv
import random
#忽略警告
warnings.filterwarnings("ignore")

创建我们的浏览器并准备好用来存储评论数据的csv文件

# 创建一个驱动
service = Service('./chromedriver.exe')
options = ChromeOptions()
options.add_experimental_option('excludeSwitches', ['enable-automation','enable-logging'])
options.add_experimental_option('useAutomationExtension', False)
# 创建一个浏览器
driver = Chrome(service=service,options=options)
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
    "source": """
        Object.defineProperty(navigator, 'webdriver', {
        get: () => false
        })
    """
    })
with open('comments.csv','a',encoding='utf-8',newline='')as f:
    csvwriter = csv.writer(f)
    csvwriter.writerow(('景点','用户评论'))
    main()

接下来就主要编写我们的main()函数，该函数主要就是访问页面获取评论标签元素，一页获取完点击下一页，并用创建的csv文件进行存储。

def main():
    driver.get('https://you.ctrip.com/sight/xian7/130441.html')
    sleep(2)
    for i in range(109):
        comment_list = driver.find_elements(By.XPATH,'//*[@id="commentModule"]/div[5]/div/div[2]/div[2]')
        for item in comment_list:
            try:
                comment = item.find_element(By.XPATH,'.').text
                comment = comment.strip()
                comment = comment.replace('\n','')
                csvwriter.writerow(('大唐不夜城',comment))
                f.flush()
                print(comment)
            except:
                pass
        driver.find_element(By.CSS_SELECTOR,'li.ant-pagination-next>span').click()
        print(f'=====================第{i+1}页爬取完毕！=========================')
        sleep(random.random()*5)

评论一共有109页，于是我们爬取了109页，大概也就1000条评论数据，爬虫运行截图如下：

数据已经准确就绪，下来我们将开始一一分析。

2.2情感分析

首先导入我们刚爬取的评论文本数据

使用snownlp情感分析模块进行情感打分

经过了上面的打分操作，现在已经有了每句话都情感分值及其情感类别。

接下来对情感分值和类别进行可视化展示

从结果看出评论主要都是积极评论占比88%，只有极少数的中性和消极评论，说明该景点真的很值得去！

接着我们编写一个画词云图的函数，该函数中的功能包括文本预处理、文本分词、去除停用词、词频统计、画出top10词频条形图、画出词云图。

画出积极评论的词云图，调用上面的函数，运行结果如下：

画出中性评论的词云图，调用上面的函数，运行结果如下：

画出消极评论的词云图，调用上面的函数，运行结果如下：

前面我们分别对积极、中性、消极评论进行了词云图分析，我们发现在消极评论中，最突出的问题就是人多拥挤，谁叫它是免费的景点呢，哈哈哈。

2.3TF-IDF+Kmeans聚类分析

首先还是导入用到的第三方库以及数据

编写一个中文分词的函数

对分词结果进行词向量化并降维到1000维同时进行标准化操作

使用TF-IDF提权关键词并获取权重

使用Kmeans进行聚类，关于K的确定，我是试了几个数字，发现还是2最合适。

最后将聚类结果进行可视化

2.4LDA主题分析

首先还是导入我们的数据

在中文分词之前，我们先删除重复数据并且将评论长度小于10的进行剔除，从结果发现，我们剔除了40条评论。

中文分词

确定最佳主题个数K值

从图可看出，8是最低的点，但是8个主题明显太多，会出现过拟合，所以还剩下3和5。最后经过主题可视化我们最终确定了3是最佳的K值。

可以使用summary查看模型信息

Lda主题可视化

最后我们也可以将每个主题的关键词进行词云图展示

运行完上面的代码会生成3个html页面

主题0词云图

主题1词云图

主题2词云图

2.5社会语义网络分析

这里我们主要使用到的工具是ROSTCM6，关于软件的安装及使用可参考我的博文

ROSTCM6软件下载及语义网络分析详细操作教程（附网盘链接）_艾派森的博客-CSDN博客

三、总结

    本次实验我们使用了爬虫、词云图、情感分析、LDA主题分析、TF-IDF+Kmeans、社会网络语义分析等对大唐不夜城的评论进行了分析。关于博文中的源码大家可以关注派森小木屋公众号进入粉丝群领取，如对文章有疑惑，请评论区留言。