我用Python全网分析今年的双十一，看看大家都想干啥

关注

原创最新推荐文章于 2026-03-08 05:46:13 发布 648 阅读 AI 写同款· GEO 优化 ›

640?wx_fmt=jpeg

一年一度的双十一又要到了，相比往年而言，今年的商家似乎更加“别出心裁”，各种平台纷纷推出开团拉新、瓜分红包等预热项目，游戏规则也是超前复杂。那么商家们精心策划的活动最终起到了什么样的效果，各路买家究竟买不买账？今天这篇文章我们就来一起分析一下。

文章要点：

分析百度指数
获取微博观点
网民情感分析

百度指数分析

百度指数是个好东西，它以百度网民行为数据为基础，提供了关键词搜索趋势的基础性分析，使用简单方便，在对事物进行初步的宏观分析时很有帮助。

首先来看双十一关键字的百度搜索指数，这个数据会在每年的11月11日前后达到峰值。从下图中历年数值趋势来看，2015年以前年度峰值呈递增趋势，2015年至2017年趋势相对平稳，2018年该数值出现大幅下降。

640?wx_fmt=png

如果按照这个趋势发展，今年的双十一搜索指数峰值将低于2018年的水平，也就意味着大量网民对双十一已经不再那么热情。

当然，这样下结论未免过于武断，我们再来对比下今年和去年的同期数值，从下图中可以看到，在过去的一个周内双十一的搜索指数是6369，而去年的同期数值是6805。从这个角度来说，近期网民对双十一的关注程度要略低于去年

640?wx_fmt=png

但是从资讯指数来看，今年过去一周的数值（3727558）又要远高于去年的同期水平（下图）。

640?wx_fmt=png

但是，资讯指数包含了网民转发、点赞、不喜欢等所有的相关信息，指数数值高不代表认可度就高，要得到更加精确的结论还需要做进一步的分析。

获取微博观点

要看网民对某件事物的看法就要去找各类观点汇集的地方，说起观点的集散地，个人感觉非微博莫属，于是就去微博搜索了下双十一（下图），看看大家都发表了哪些观点。

但是，资讯指数包含了网民转发、点赞、不喜欢等所有的相关信息，指数数值高不代表认可度就高，要得到更加精确的结论还需要做进一步的分析。

640?wx_fmt=png

随便一搜就找出一大堆评论，其中有表示期待的、有吐槽的、当然也少不了大量的推销和广告，为了进行定量分析，还得把这些评论都爬下来。因为只需要对评论内容进行分析，因此涉及用户ID、发布时间等其他信息我们就不去费力爬取了。

至于如何分析微博页面、如何寻找cookie方面的内容，之前很多大神都写过教程，本文不再详述，下图是经过分析后得到的数据url页面内容，可以看到呈现的是一组json格式的数据，其中的“text”对应的就是评论内容（网页中看到的是编码后的数据，解析后可以得到真实评论内容）。

640?wx_fmt=png

在爬微博之前提醒大家两点：

听说PC端很难搞定，所以我直接尝试了移动端；
在爬取的时候务必降低频率，以免给服务器造成太大压力（更重要的是防止被封）。

下面这段代码实现了爬取所有评论内容并存储到txt文本的功能。

headers = {'Cookies':'your cookie',
       'User-Agent': 'your user-agent'}
result = ''
try:
  for i in range(1, 120):
    url = 'https://m.weibo.cn/api/container/getIndex?containerid=100103type%3D1%26q%3D%E5%8F%8C%E5%8D%81%E4%B8%80&page_type=searchall&page={}'.format(i)
    j = requests.get(url, headers=headers).json()
    for item in j['data']['cards']:
      try:
        txt = item['mblog']['text']
        txt = re.sub('[^\u4e00-\u9fa5]', '-', txt)
        result += txt
      except:
        print('no mblog')

    time.sleep(3)
finally:
    result = list(filter(None, result.split('-')))
  with open('content.txt', 'w') as f:
    f.write('|'.join(result))

其中，headers中的Cookies和UA需要替换为你自己的信息；爬取评论信息后我们会发现存在大量的特殊符号，为了避免对分析结果产生干扰，直接使用正则表达式筛选出所有中文字符并做规范化处理，一起来看下获取到的评论信息：

640?wx_fmt=png

以上信息都是以句为单位的评论内容，下面我们用jieba进行分词并制作词云图，看看其中都包含了哪些关键字。

640?wx_fmt=png

从词云图的分析结果来看，出现频率较高的词语无非是双十一、盖楼、挑战、助力这类词语，仔细查找还会发现一些品牌名称和代言明星，这些词语的出现，要么是商家的广告推送，要么是网友在参加购物活动。

今年双十一的氛围还是很浓厚的，说明仍有很多人对这个网购节抱有期待。

评论情感分析

仅仅通过双十一的受关注程度还不足以判断网民的期待值，于是想到利用情感分析来进行更深一步的探索。

随着机器学习和深度学习的迅速发展，自然语言情感分析再也不是少数人的专利，以前我们常说调包侠、调参侠，现在连调参都可以省去，直接调用API就能实现语言的情感分类分析，这次我选用的是一款叫做jiagu的工具。

640?wx_fmt=png

jiagu的安装只需要一条命令：pip install -U jiagu，通过它可以很方便地开展关键词提取、文本摘要、情感分析等工作，今天只使用其中的情感分析功能。

举个例子，对于很讨厌还是个懒鬼这句话，调用jiagu的sentiment函数进行识别，代码和结果如下：

import jiagu
text = '很讨厌还是个懒鬼'
sentiment = jiagu.sentiment(text)
print(sentiment)
# 输出结果：
# ('negative', 0.9957030885091285)

可以看到，输出结果分为两部分，第一个值表示情感倾向，negative表示负面情感、positive代表正面情感；第二个值表示情感强烈程度，取值范围是0~1，数值越接近1说明情感越强烈。

好了，情感分析工具搞定了，现在就来使用它对上文中获取到的评论文字进行观点分析。经过试验发现，jiagu对经由jieba切分后的词语进行情感分类效果并不理想，因此我们采用分词之前的内容作为情感分析的文本。构建核心代码如下：

txt_list = txt.split('|')
posi = 0
nega = 0
for txt in txt_list:
  result = jiagu.sentiment(txt)
  print(result)
  if result[0] == 'negative':
    nega += result[1]
  elif result[0] == 'positive':
    posi += result[1]

上面这段代码的基本思想是：对每一句评论内容逐一进行情感分类分析，并将其情感强烈数值累加到对

应的类别标签中（negative或者positive），从而得到微博评论观点的情感分布图：

640?wx_fmt=png