天猫是专业线上综合购物平台，全球消费者挚爱的品质购物之城，商品涵盖服饰箱包、美妆个护、家电数码、母婴玩具、食品生鲜等各大品类，旨在引领中国消费者第一时间发现和体验全球化、更优质的生活方式，提前开启趋势中的理想生活。想要下载天猫买家秀的电商朋友接着往下看，小编推荐一个非常实用的软件，希望对大家有极大帮助。



准备工具：

电脑

天猫商品的链接

固乔电商图片助手

操作过程：

电脑下载“固乔电商图片助手”这个工具。打开后，如下图箭头所示处，打勾



打开天猫商品页面，复制链接：



如果有多个商品要采集，就全部打开，全部复制，链接一行一个，会自动粘贴到工具，效果如图：

接下来勾选要下载的内容，如果也要一起下载宝贝主图、细节图等等，那么其他的选项也都一起勾选一下。



点击【立即下载】等下载完成，就可以打开文件夹查看下载好的评论图及文字啦！



 

这样采集的图片文字等就保存好了，是不是很方便呢！在文件中含有商品原链接、商品ID、商品标题、买家昵称、买家秀文字、买家秀图片、买家秀视频以及保存在电脑上的位置，如果需要下载主图、属性图在下载选项中勾选即可。这个专业采集评论图的工具方便快捷，快用起来吧！

在平时的工作生活中，对于图片处理这件事一定都不陌生，不管是压缩图片大小，或者修改图片宽高、转换图片格式等等，这些是大家在平时都会遇到的问题，这时候就需要用到图片处理软件（https://www.yasuotu.com/）来对图片进行修改了，一般在进行图片处理的时候都是单张编辑图片，那么遇到图片比较多的情况下应该怎么办呢？今天来给大家分享一个简单又快速的方法，没有软件也不用担心，只需要打开网站就能处理图片，并且支持批量处理功能，下面一起来看一下吧。
一、图片压缩
1、打开压缩图网站，点击批量云端压缩功能，批量云端压缩一次最多能够60张图片同时处理。


2、点击上传，选择文件或者文件夹批量上传图片。


3、点击新建任务选择图片压缩。


4、任务创建好后，即可设置相应的参数如压缩等级、宽度高度等等（注：压缩等级越小则压缩后图片越小；宽高不设置的话默认按照原比例进行压缩，压缩后图片尺寸不变），点击添加图片后选择需要压缩的图片。


5、点击开始处理后就开始对上传的图片进行压缩，这时请耐心等待，图片处理完成时会显示对号，等到图片压缩在线完成后，点击下载.zip即可打包下载。


二、图片改大小
1、打开压缩图网站，选择批量云端压缩功能。


2、点击上传，选择文件或者文件夹批量上传图片。


3、点击新建任务选择图片改大小。


4、任务创建好后，可以设置需要的图片宽、高数值、是否压缩图片、是否允许图片变形等参数，其中设置宽高数值时可以只输入一项数值，压缩图会自动按照最佳宽高比来进行图片缩放。


5、点击开始处理后即可自动进行批量图片改大小，图片处理完成后点击下载按钮即可将处理好的图片打包下载。


三、图片转格式
1、打开压缩图网站，选择批量云端压缩功能。


2、进入后，点击上传按钮上传需要转格式的图片，这里支持单独上传图片文件也支持上传整个文件夹中的所有图片。


3、图片上传后，点击新建任务，选择图片转格式。


4、进入新建任务页面后，点击添加图片按钮即可在刚刚上传的图片中选择需要转格式的图片，选择好后在右侧选择需要转换的格式，压缩图支持jpg、png、webp、bmp等格式之间互相转换，选择好后点击开始转换即可。


5、图片转换完成后点击下载，把图片下载至本地，就批量完成了图像格式转换。


以上就是这款在线ps图片处理软件（https://www.yasuotu.com/）的使用方法了，对于图片多并且不会使用ps等软件的小伙伴们来说非常友好，只需要打开网站-上传图片-设置参数-下载保存四步，就能轻松完成批量图片处理，解放双手提高效率，让你不用再因为图片太多需要处理而烦恼，这么好用的在线图片编辑器快来试试吧！

脉脉是一个实名职场社交平台。之前爬了脉脉职言版块，大概爬了4027条评论，本文对爬取过程给出详细说明，对于评论内容仅做可视化分析。
爬虫
仍然使用Python编程，对爬虫没兴趣的可直接跳过看下部分，不影响阅读。网址https://maimai.cn/gossip_list，需要先登录才能看到里面的内容。
爬取目标：

只爬文字部分，图片不考虑。
在浏览器内按F12打开开发者，向下滑，会看到很多gossip开头的json文件（不行的话刷新一下）。

右键open in new tab，里面是一条一条记录，text后面是评论内容。

我们感兴趣的信息是下面这些：

看一看每个网站的地址，都是page=数字结尾，所以爬的时候写一个循环，数字从1开始往后取就可以了。

https://maimai.cn/sdk/web/gossip_list?u=206793936&channel=www&version=4.0.0&_csrf=coAlLvgS-UogpI75vEgHk4O1OQivF2ofLce4&access_token=1.9ff1c9df8547b2b2c62bf58b28e84b97&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22rE8q1xp6fZlxvwygWJn1UFDjrmMXDrSE2tc6uDKNIDZtRErng0FRwvduckWMwYzn8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22&page=1&jsononly=1

json的最开头有total和remain两个参数，给出了目前所有可见评论剩余数和总数，可以作为循环的停止条件。

但比较坑的一点是，脉脉并不能可见所有评论，而且评论是不断刷新的，所有如果爬完一页循环到下一页或者尝试过很多次之后，它会提示你：

直接看的时候有这样的提示会体验很好，但对于爬虫来说就不是很友好了，需要加个if判断。
另外爬得太快，也会出错，记得加time.sleep。

大概把能踩的坑都踩了，所以如果顺利的话，每次只能爬几百条信息，想爬更多的话，需要过一段时间等信息更新的差不多了再爬，代码如下：
​
# -*- coding: utf-8 -*-
"""
Created on Fri Oct 19 18:50:03 2018
"""
import urllib
import requests
from fake_useragent import UserAgent
import json
import pandas as pd
import time
import datetime
#comment_api = 'https://maimai.cn/sdk/web/gossip_list?u=206793936&channel=www&version=4.0.0&_csrf=7ZRpwOSi-JHa7JrTECXLA8njznQZVbi7d4Uo&access_token=1.b7e3acc5ef86e51a78f3410f99aa642a&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22xoNo1TZ8k28e0JTNFqyxlxg%2BdL%2BY6jtoUjKZwE3ke2IZ919o%2FAUeOvcX2yA03CAx8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22&page={}&jsononly=1'
# 发送get请求
comment_api = 'https://maimai.cn/sdk/web/gossip_list?u=206793936&channel=www&version=4.0.0&_csrf=FfHZIyBb-H4LEs35NcyhyoAvRM7OkMRB0Jpo&access_token=1.0d4c87c687410a15810ee6304e1cd53b&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22G7rGLEqmm1wY0HP4q%2BxpPFCDj%2BHqGJFm0mSa%2BxpqPg47egJdXL%2FriMlMlHuQj%2BgM8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22&page={}&jsononly=1'
"""
author：作者
text：评论
cmts ：评论数
circles_views：被查看数
spread ：转发数
likes ：点赞数
time : 时间

"""

headers = { "User-Agent": UserAgent(verify_ssl=False).random}
j = 0
k = 0
response_comment = requests.get(comment_api.format(0),headers = headers)
json_comment = response_comment.text
json_comment = json.loads(json_comment)
num = json_comment['total']
cols = ['author','text','cmts','likes','circles_views','spreads','time']
dataall = pd.DataFrame(index = range(num),columns = cols)
remain = json_comment['remain']
print(remain)
while remain!= 0 :
   n = json_comment['count']
   for i in range(n):
       if json_comment['data'][i]['text'] !='下面内容已经看过了，点此刷新':
           dataall.loc[j,'author'] = json_comment['data'][i]['author']
           dataall.loc[j,'text'] = json_comment['data'][i]['text']
           dataall.loc[j,'cmts'] = json_comment['data'][i]['cmts']
           dataall.loc[j,'likes'] = json_comment['data'][i]['likes']
           dataall.loc[j,'circles_views'] = json_comment['data'][i]['circles_views']
           dataall.loc[j,'spreads'] = json_comment['data'][i]['spreads']
           dataall.loc[j,'time'] = json_comment['data'][i]['time']

           j+= 1             
       else:
           k = -1    
           break                             
   k+= 1
   comment_api1 = comment_api.format(k)    
   response_comment = requests.get(comment_api1,headers = headers)
   json_comment = response_comment.text
   json_comment = json.loads(json_comment)
   remain = json_comment['remain']
   print('已完成 {}% !'.format(round(j/num*100,2)))
   time.sleep(3) Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎
dataall = dataall.dropna()
dataall = dataall.drop_duplicates()

dataall.to_csv('data_20181216_part3.csv',index = False)



​
数据可视化
就这样断断续续爬了一堆文件去重之后，得到了4027条数据，格式如下：

接下来对爬到的数据做一些简单的分析。因为并不没有爬到全量评论，只是一个小样本，所以结果肯定是有偏的，但爬的时间很随机，而且前前后后爬了两周多，这样选样也比较随机，还是有一定的代表性。
脉脉中发言用户有两类，一类是完全匿名的，用系统生成的昵称，一类显示为xx公司员工，我们统计爬到的样本中这两种用户的数量及发帖量。4027条职言中，不同发帖人共计1100名。

匿名发帖人超过70%，大家都并不愿意用真实身份发言，毕竟被公司/学校人肉风险还是很高的。

发帖数也毫无意外，匿名发帖人贡献了85%以上的帖子。
匿名发帖人无法获取更细致的数据，但对于那些不匿名的发帖人，可以获取他们所在公司信息，将发帖数按公司汇总，看各大企业发帖量，可以作为整体的一个估计。统计时已经考虑了公司名称输入不一致的情况，将蚂蚁金服、支付宝等替换成了阿里巴巴，京东金融等替换成京东，今日头条、抖音等替换为字节跳动，取发帖数TOP20。

可以看到，发帖人大多来自互联网企业，金融、地产等其他企业相对较少。
文本分析
对于转发、评论数、点赞数，因为有爬取时间上的差异，所以不好直接比较，给出评论数最多的前5条评论，看看大家最愿意参与的话题是什么。

1. 用一个字概括一下你的2018年。（1659条评论）
2. 【再就业求助帖】本人是刚被优化掉的知乎程序员，工作3年。比较想去BAT等大厂，希望贵厂HR们带公司认证来回复一下，发一发真实有hc的岗位，祝愿兄弟们都能找到新工作。（610条评论）
3. 用两个字概括你现在的工作。（477条评论）
4. 网易涨今年薪涨了50%…公司是发财了吗？（458条评论）
5. 用2个字总结你的工作。（415条评论）

1、4、5都是蛮有意思的问题，我们把1、4、5的评论都爬下来，做成词云，看看大家都在说些什么。
用一个字概括你的2018年
爬虫过程跟上面基本是一样的，找到json，不过这个可以爬到全部评论。
​
# -*- coding: utf-8 -*-
"""
Created on Fri Oct 19 18:50:03 2018
"""
import urllib
import requests
from fake_useragent import UserAgent
import json
import pandas as pd
import time
# 发送get请求
comment_api = 'https://maimai.cn/sdk/web/gossip/getcmts?gid=18606987&page={}&count=50&hotcmts_limit_count=1&u=206793936&channel=www&version=4.0.0&_csrf=38244DlN-X0iNIk6A4seLXFx6hz3Ds6wfQ0Y&access_token=1.9ff1c9df8547b2b2c62bf58b28e84b97&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22rE8q1xp6fZlxvwygWJn1UFDjrmMXDrSE2tc6uDKNIDZtRErng0FRwvduckWMwYzn8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22'
"""
author：作者
text：评论
、

"""

#headers = { "User-Agent": UserAgent(verify_ssl=False).random,'Cookie':cookie}
headers = { "User-Agent": UserAgent(verify_ssl=False).random}
j = 0
k = 0
response_comment = requests.get(comment_api.format(0),headers = headers)
json_comment = response_comment.text
json_comment = json.loads(json_comment)

num = json_comment['total']
cols = ['author','text']
dataall = pd.DataFrame(index = range(num),columns = cols)

while j < num :
   n = json_comment['count']
   for i in range(n):

       dataall.loc[j,'author'] = json_comment['comments'][i]['name']
       dataall.loc[j,'text'] = json_comment['comments'][i]['text']
       j+= 1             
   k += 1
   comment_api1 = comment_api.format(k) 

   response_comment = requests.get(comment_api1,headers = headers)
   json_comment = response_comment.text
   json_comment = json.loads(json_comment)
   print('已完成 {}% !'.format(round(j/num*100,2)))
   time.sleep(3)

dataall.to_excel('用一个字概括你的2018年.xlsx')



​
爬下来之后，删掉超过一个字的评论，按词频确定大小，做词云图如下：

用两个字概括你现在的工作/用2个字总结你的工作
2、5是一样的，爬下来合并到一起后分析。代码不再重复，实际上用上面那段代码，找到json地址后替换，任何一个话题下的评论都可以全爬到，删掉不是2个字的评论后根据词频作图：

使用SnowNLP对评论进行情感分析，最终4027条中，积极的有2196条，消极的有1831条。学习过程中有不懂的可以加入我们的学习交流秋秋圈784中间758后面214，与你分享Python企业当下人才需求及怎么从零基础学习Python，和学习什么内容。相关学习视频资料、开发工具都有分享
积极：

消极：

模型对大部分评论的情感倾向判断的比较准确，小部分有误。
最后对所有评论提取关键词做词云收尾：

万水千山总是情，点个「好看」行不行。

脉脉是一个实名职场社交平台。之前爬了脉脉职言版块，大概爬了4027条评论，本文对爬取过程给出详细说明，对于评论内容仅做可视化分析。
爬虫
仍然使用Python编程，对爬虫没兴趣的可直接跳过看下部分，不影响阅读。网址https://maimai.cn/gossip_list，需要先登录才能看到里面的内容。
爬取目标：

只爬文字部分，图片不考虑。
在浏览器内按F12打开开发者，向下滑，会看到很多gossip开头的json文件（不行的话刷新一下）。

右键open in new tab，里面是一条一条记录，text后面是评论内容。

我们感兴趣的信息是下面这些：

看一看每个网站的地址，都是page=数字结尾，所以爬的时候写一个循环，数字从1开始往后取就可以了。
学习过程中有不懂的可以加入我们的学习交流秋秋圈784中间758后面214，与你分享Python企业当下人才需求及怎么从零基础学习Python，和学习什么内容。相关学习视频资料、开发工具都有分享

https://maimai.cn/sdk/web/gossip_list?u=206793936&channel=www&version=4.0.0&_csrf=coAlLvgS-UogpI75vEgHk4O1OQivF2ofLce4&access_token=1.9ff1c9df8547b2b2c62bf58b28e84b97&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22rE8q1xp6fZlxvwygWJn1UFDjrmMXDrSE2tc6uDKNIDZtRErng0FRwvduckWMwYzn8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22&page=1&jsononly=1

json的最开头有total和remain两个参数，给出了目前所有可见评论剩余数和总数，可以作为循环的停止条件。

但比较坑的一点是，脉脉并不能可见所有评论，而且评论是不断刷新的，所有如果爬完一页循环到下一页或者尝试过很多次之后，它会提示你：

直接看的时候有这样的提示会体验很好，但对于爬虫来说就不是很友好了，需要加个if判断。
另外爬得太快，也会出错，记得加time.sleep。

大概把能踩的坑都踩了，所以如果顺利的话，每次只能爬几百条信息，想爬更多的话，需要过一段时间等信息更新的差不多了再爬，代码如下：
​
# -*- coding: utf-8 -*-
"""
Created on Fri Oct 19 18:50:03 2018
"""
import urllib
import requests
from fake_useragent import UserAgent
import json
import pandas as pd
import time
import datetime
#comment_api = 'https://maimai.cn/sdk/web/gossip_list?u=206793936&channel=www&version=4.0.0&_csrf=7ZRpwOSi-JHa7JrTECXLA8njznQZVbi7d4Uo&access_token=1.b7e3acc5ef86e51a78f3410f99aa642a&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22xoNo1TZ8k28e0JTNFqyxlxg%2BdL%2BY6jtoUjKZwE3ke2IZ919o%2FAUeOvcX2yA03CAx8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22&page={}&jsononly=1'
# 发送get请求
comment_api = 'https://maimai.cn/sdk/web/gossip_list?u=206793936&channel=www&version=4.0.0&_csrf=FfHZIyBb-H4LEs35NcyhyoAvRM7OkMRB0Jpo&access_token=1.0d4c87c687410a15810ee6304e1cd53b&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22G7rGLEqmm1wY0HP4q%2BxpPFCDj%2BHqGJFm0mSa%2BxpqPg47egJdXL%2FriMlMlHuQj%2BgM8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22&page={}&jsononly=1'
"""
author：作者
text：评论
cmts ：评论数
circles_views：被查看数
spread ：转发数
likes ：点赞数
time : 时间

"""

headers = { "User-Agent": UserAgent(verify_ssl=False).random}
j = 0
k = 0
response_comment = requests.get(comment_api.format(0),headers = headers)
json_comment = response_comment.text
json_comment = json.loads(json_comment)
num = json_comment['total']
cols = ['author','text','cmts','likes','circles_views','spreads','time']
dataall = pd.DataFrame(index = range(num),columns = cols)
remain = json_comment['remain']
print(remain)
while remain!= 0 :
   n = json_comment['count']
   for i in range(n):
       if json_comment['data'][i]['text'] !='下面内容已经看过了，点此刷新':
           dataall.loc[j,'author'] = json_comment['data'][i]['author']
           dataall.loc[j,'text'] = json_comment['data'][i]['text']
           dataall.loc[j,'cmts'] = json_comment['data'][i]['cmts']
           dataall.loc[j,'likes'] = json_comment['data'][i]['likes']
           dataall.loc[j,'circles_views'] = json_comment['data'][i]['circles_views']
           dataall.loc[j,'spreads'] = json_comment['data'][i]['spreads']
           dataall.loc[j,'time'] = json_comment['data'][i]['time']

           j+= 1             
       else:
           k = -1    
           break                             
   k+= 1
   comment_api1 = comment_api.format(k)    
   response_comment = requests.get(comment_api1,headers = headers)
   json_comment = response_comment.text
   json_comment = json.loads(json_comment)
   remain = json_comment['remain']
   print('已完成 {}% !'.format(round(j/num*100,2)))
   time.sleep(3)          
dataall = dataall.dropna()
dataall = dataall.drop_duplicates()

dataall.to_csv('data_20181216_part3.csv',index = False)


​
数据可视化
就这样断断续续爬了一堆文件去重之后，得到了4027条数据，格式如下：

接下来对爬到的数据做一些简单的分析。因为并不没有爬到全量评论，只是一个小样本，所以结果肯定是有偏的，但爬的时间很随机，而且前前后后爬了两周多，这样选样也比较随机，还是有一定的代表性。
脉脉中发言用户有两类，一类是完全匿名的，用系统生成的昵称，一类显示为xx公司员工，我们统计爬到的样本中这两种用户的数量及发帖量。4027条职言中，不同发帖人共计1100名。

匿名发帖人超过70%，大家都并不愿意用真实身份发言，毕竟被公司/学校人肉风险还是很高的。

发帖数也毫无意外，匿名发帖人贡献了85%以上的帖子。
匿名发帖人无法获取更细致的数据，但对于那些不匿名的发帖人，可以获取他们所在公司信息，将发帖数按公司汇总，看各大企业发帖量，可以作为整体的一个估计。统计时已经考虑了公司名称输入不一致的情况，将蚂蚁金服、支付宝等替换成了阿里巴巴，京东金融等替换成京东，今日头条、抖音等替换为字节跳动，取发帖数TOP20。

可以看到，发帖人大多来自互联网企业，金融、地产等其他企业相对较少。
文本分析
对于转发、评论数、点赞数，因为有爬取时间上的差异，所以不好直接比较，给出评论数最多的前5条评论，看看大家最愿意参与的话题是什么。

1. 用一个字概括一下你的2018年。（1659条评论）
2. 【再就业求助帖】本人是刚被优化掉的知乎程序员，工作3年。比较想去BAT等大厂，希望贵厂HR们带公司认证来回复一下，发一发真实有hc的岗位，祝愿兄弟们都能找到新工作。（610条评论）
3. 用两个字概括你现在的工作。（477条评论）
4. 网易涨今年薪涨了50%.....公司是发财了吗？（458条评论）
5. 用2个字总结你的工作。（415条评论）

1、4、5都是蛮有意思的问题，我们把1、4、5的评论都爬下来，做成词云，看看大家都在说些什么。
用一个字概括你的2018年
爬虫过程跟上面基本是一样的，找到json，不过这个可以爬到全部评论。
​
# -*- coding: utf-8 -*-
"""
Created on Fri Oct 19 18:50:03 2018
"""
import urllib
import requests
from fake_useragent import UserAgent
import json
import pandas as pd
import time
# 发送get请求
comment_api = 'https://maimai.cn/sdk/web/gossip/getcmts?gid=18606987&page={}&count=50&hotcmts_limit_count=1&u=206793936&channel=www&version=4.0.0&_csrf=38244DlN-X0iNIk6A4seLXFx6hz3Ds6wfQ0Y&access_token=1.9ff1c9df8547b2b2c62bf58b28e84b97&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22rE8q1xp6fZlxvwygWJn1UFDjrmMXDrSE2tc6uDKNIDZtRErng0FRwvduckWMwYzn8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22'
"""
author：作者
text：评论
、

"""

#headers = { "User-Agent": UserAgent(verify_ssl=False).random,'Cookie':cookie}
headers = { "User-Agent": UserAgent(verify_ssl=False).random}
j = 0
k = 0
response_comment = requests.get(comment_api.format(0),headers = headers)
json_comment = response_comment.text
json_comment = json.loads(json_comment)

num = json_comment['total']
cols = ['author','text']
dataall = pd.DataFrame(index = range(num),columns = cols)

while j < num :
   n = json_comment['count']
   for i in range(n):

       dataall.loc[j,'author'] = json_comment['comments'][i]['name']
       dataall.loc[j,'text'] = json_comment['comments'][i]['text']
       j+= 1             
   k += 1
   comment_api1 = comment_api.format(k) 

   response_comment = requests.get(comment_api1,headers = headers)
   json_comment = response_comment.text
   json_comment = json.loads(json_comment)
   print('已完成 {}% !'.format(round(j/num*100,2)))
   time.sleep(3)

dataall.to_excel('用一个字概括你的2018年.xlsx')


​
爬下来之后，删掉超过一个字的评论，按词频确定大小，做词云图如下：

用两个字概括你现在的工作/用2个字总结你的工作
2、5是一样的，爬下来合并到一起后分析。代码不再重复，实际上用上面那段代码，找到json地址后替换，任何一个话题下的评论都可以全爬到，删掉不是2个字的评论后根据词频作图：

使用SnowNLP对评论进行情感分析，最终4027条中，积极的有2196条，消极的有1831条。
积极：

消极：

模型对大部分评论的情感倾向判断的比较准确，小部分有误。
最后对所有评论提取关键词做词云收尾：

万水千山总是情，点个「好看」行不行。