爬一下快递巨头的用户评价，有何独特之处！

今天，来一个技术篇，在大家可以了解文本分析的同时，也能让我自己记住整个爬虫、分析、可视化过程，以免自己给忘了！

咱们要爬谁的信息？Fedex！

为啥？

在此，并不是要讨FEDEX的服务好坏，而仅仅是对于文本进行观察而已。一来总要找个分析对象，否则就无法继续后面的分析工作了；二来，则是可以了解一下国外群众们对于快递服务都有着怎样的诉求。

文本从哪里来？有一个叫Consumer Affairs的网站，有着众多的消费者留言，主要是针对于各类服务的评价，这里选一下Fedex:

公司标识：

消费者评价：

看看评论数：3082条，不算多，当然也不算少了！

启示一：这说明国外人士对于服务这件事还是很重视滴，各类意见与评价都不少！这和国内的快递一样，无论国别如何、外资或内资，有人烟的地方，就有需求、就有自己的感知与态度，形成丰富且不同的意见，并不稀奇，切莫以偏概全。

数据源的问题解决了，那么用啥来爬？这次咱不用python（Scrapy爬虫库），一来码字太慢，虽然好用，但时间有限。咱换个简单、快速、有效的工具使用一下：Gooseeker，个人观点是还挺不错的！

对于评论内容放置了爬虫，简单了爬取了10个页面(翻页），共300多条评论：

将其转化为.txt文件，以便后续的文本分析。利用wordij，咱们来建立一下词的逻辑联系，看看有着怎样的内在联系。其中需要注意一点，由于外文字符，是由空格自动分词的，会存在诸多重复的词，但是其信息度并不高，例如to、and、of等，需要建立Drop.Txt（词典）进行删除，以便更好的建立网络关系图：

.TXT原文

Drop.txt(词典）：需要去除的词

Wordij界面：

当建立了.net文件后，对于这些词的网络关系分析，需要进一步转场到Gephi来进行分析，特别是对于中心度的分析，是很关键的。在此省略Gephi的具体操作，主要考虑的截图太多了，直接展示结果：

以上这些还仅仅是从词的关系来进行分析的，了解彼此之间的关系情况。那么到底哪些词是经常出现的呢？这里运用Python的NLTK_Data来进行Tags一下：

启示二：看过这些词的网络关系、高频词后发现了些什么？时间、到家、邮件、商务、地址、跟踪......等都是一个个值得关注的点。

接下来，想不想看看这些留言，到底蕴含着怎样的情感？这就要用NLP（自然语言处理）了，这也是Python的强项，运用TextBlob来进行分析，下一次有机会再用SnowNLP来对于中文进行情感分析。

Python3.6 界面：

在此仅仅列举一条评论为例来分析，对于每句话进行了Polarity（-1负面，1正面）赋值，分别为-0.1、-0.15555.....等等，这就可以对于关键词句进行分析了，以了解背后的信息。从评论来看，总体还是积极的。

一旦了解了怎样对于文本进行情感分析，后续可以做的还很多，包括评论正负的总体分布、时间序列的情绪变化等，由于篇幅、时间、精力的限制，在此仅仅列一下正负意见的分布图（选取了前1000句进行分析，上半部分为正向、下半部分为负向、中间为中立）

对于文本的分析，还有诸多可以深入的地方，特别是可以运用于Customer Voice，这是很有效的工具。对于快递企业而言，有着众多的用户，有着众多的正向评价，当然也会有消费者的现实期望和待提高反馈，这类讯息则是更会显得为重要和关键，对于形成独特且具竞争力的服务至关重要。

声明：

相应的数据仅作分析演示，不对样本企业（Fedex）进行优劣评价，秉承客观！