先说说背景吧： 之前玩了一段时间的《跨越星弧》，后来太忙了就没玩了，最近突然想起来想看看，发现TapTap评分居然掉到7.7分了 其实我觉得这个产品挺好的，玩法、剧情、美术都有可圈可点之处。但是为什么突然就从8.5分+掉到7.7了呢
于是我就去翻了翻评论，翻了10+页，好像也没看出什么问题。也没兴致往下看了，因为评论真的太多了，这样人工一条条的看，根本看不出个所以然来
刚好最近在看游戏数据分析，于是就想到，要不自己做个爬虫扒一下评论数据吧
项目源码已上传至GitHub项目——Tap-Comment-Scrapy，欢迎查看和下载源码。（使用Jupyter Notebook环境开发）
///以下是正文///
为了分析需要，我们要爬取的信息包括【评论文本】、【评论分数】、【评论时间】，在TapTap的页面中基本是按块呈现的
在页面中按F12可以查看页面的源码，这里很重要的是要【找到对应模块的类名】 这里用到的爬虫的基本原理就是：
step1 加载url源码 step2 从里面找到我们需要的信息所在的类 step3 通过正则匹配，获取我们需要的信息 step4 整理输出
这个过程的实现需要用到几个库，但核心的代码非常简单，只有几行。下面是代码
1、使用的库
import pandas as pd import numpy as np import requests import re from bs4 import BeautifulSoup import time as tmpandas和numpy是必备的，就不多说了；requests是加载url用的，用来模拟浏览器开网页的过程；re库是做正则匹配用的；BeautifulSoup是爬取用的，用来访问加载到的html数据；然后最后的time是为了统计计算时间，便于调试程序效率
2、准备要爬取的url和输出容器
url_1="https://www.taptap.com/app/85450/review?order=default&page=" #url开头 url_2="#review-list" #url结尾 page_total=5 #需要爬取的总页数 comment_out=[] #输出容器 score_out=[] date_out=[]这里是计划多页爬取，需要拼接出每页的url。为了方便调试只爬前5页，因此设置了总页数为5
3、单页爬取和循环
先定义3个爬取函数，用来获取【评论文本】、【评论分数】、【评论时间】3个关键信息
这几个函数也是爬取的关键代码，作简单说明
选中class：即前面截图提到的【模块的类名】，这里需要对源码进行仔细查看，通常选取目标模块所在的类，或者上一级的类名即可，例如".class1.class2"。注意是否有同名但不同层级的类，它们可能会导致结果出错
建立正则表达式：通常不需要很高阶的正则匹配，你只需要重复一部分内容，然后标注出哪部分是需要的就可以了。例如get_comment_text里的表达式指的是：【<div class（任意内容）data-review（任意内容）“contents”>（目标内容）</ div>】 结果出错时，通常时因为正则表达式写错了或者不能正确指代特定区域
进行正则匹配：这个很简单，按照格式把上面两个东西填进去就可以了
def get_comment_text(star_bs): comment = star_bs.select(".review-item-text ") #选中目标class，将从这个class中匹配内容 pattern_pinglun = '<div class.*?data-review.*?"contents">(.*?)</div>' #建立正则表达式，(.*?)是最后会截取出来的内容 pinglun = re.findall(pattern_pinglun, str(comment), re.S) #调用re库进行正则匹配，保存结果 return pinglun def get_comment_score(star_bs): comment = star_bs.select(".review-item-text ") pattern_score='<i class.*?"width: (.*?)px"></i>' score = re.findall(pattern_score, str(comment), re.S) score_num = [ int(x)/14 for x in score ] #抓出来的是字符串，转化为整型，并计算评分 return score_num def get_comment_date(star_bs): comment_header = star_bs.select(".review-item-text .item-text-header") pattern_date='data-dynamic-time=".*?">(.*?)</span>' date=re.findall(pattern_date, str(comment_header), re.S) return date接下来就是运行的主体代码，通过对目标数据进行循环爬取 每次循环的步骤为：【拼接url】—【加载url】—【爬取数据】—【保存数据】—【打印进度】
for j in range(page_total): #总共爬5页数据 t1=tm.time() pagenum=str(j) link=url_1+pagenum+url_2 #拼接每一页的url star = requests.get(link) #加载url star_bs = BeautifulSoup(star.text, "html.parser") #把url对象转化为美味汤 comment_tmp=get_comment_text(star_bs) #获取评论 score_tmp=get_comment_score(star_bs) #获取分数 date_tmp=get_comment_date(star_bs) #获取评论时间 comment_out.extend(comment_tmp) #装入输出容器 score_out.extend(score_tmp) date_out.extend(date_tmp) t2=tm.time() timing=t2-t1 #计时，用于调试 print('page %d grapped, %5.2f seconds used' % (j,timing)) #输出爬取进度输出结果为：
page 0 grapped, 0.87 seconds used page 1 grapped, 0.98 seconds used page 2 grapped, 1.16 seconds used page 3 grapped, 1.32 seconds used page 4 grapped, 1.09 seconds used这时候数据已经爬取完成了，但是他们存储在3个列表对象中，我们还需要处理一下结果
4、导出结果到excel 这里的思路是将列表对象转为数据框，然后通过pandas输出为excel文件 需要注意的一点是，需要【先将列表转为字典，再转为数据框】 代码如下：
result={"comment" : comment_out, "score" : score_out, "comment_date" : date_out} #先把列表转为字典 resultpd=pd.DataFrame(result) #再把字典转为pandas数据框 resultpd.to_excel('comment_star.xlsx') #输出excel文件可以观察一下爬取到的数据，是符合我们的预期的
输入：
resultpd.head()输出：
comment score comment_date 0 \n<p>抱着能玩到不思议迷宫和或者长生劫的科技版本来的。先上结论，非常失望。地图解谜和战斗... 3.0 2019-05-23 11:39:07 1 \n<p>讲道理 本身游戏做的还马马虎虎 个人喜欢的是装备造型（国殇)还有词条（虽然说概率真... 3.0 2019-05-22 23:14:05 2 \n<p>开服第一天至今，玩来玩去，也花了差不多一千左右了吧，刚刚第一个星期还不错各种主线，... 3.0 2019-05-23 17:05:11 3 \n<p>就我一个人卡的飞起么？，飞船战什么的，突然卡的不能操作，等好久后重新开始战斗，打完... 3.0 2019-05-23 10:59:18 4 \n<p>游戏刚出的时候就开始玩，当时和朋友们一起玩的不亦乐乎，最近几个版本以来，bug一个... 1.0 2019-05-19 20:45:145、数据分析 出于个人习惯，分析的这部分我就直接用excel的数据透视表来跑了
主要是看了一下随着日期，玩家每天的评论变化，其中红色柱状是总的评论数
这里我们发现几个非常有趣的点， （1）4.13前后出现了评分陡降的情况 （2）4月底评分持续低迷 这段时间肯定是发生了什么事情，所以才出现掉分的情况。具体的原因，我们可以通过对评论的内容进行挖掘探究，初步的想法是通过文本挖掘，分析这段时期评论的【文本关键词】，以及评论的【文本情感变化】
具体的分析，等之后有时间了再更新吧
