帮我写一个python代码爬取https://www.amazon.com/SAMSUNG-Factory-Unlocked-Android-Smartphone/product-reviews/B0BLP57HTN/ref=cm_cr_dp_d_show_all_btm?ie=UTF8&reviewerType=all_reviews的评论，并将其分词，清洗后进行情感分析

好的，为了实现这个功能，我们需要使用Python中的一些额外库。具体来说，我们需要使用requests库来发送HTTP请求，使用BeautifulSoup库来解析HTML页面，使用nltk库进行分词和情感分析。

如果你还没有安装nltk库，可以通过以下命令在终端中安装：

pip install nltk

接下来是代码示例：

import requests
from bs4 import BeautifulSoup
from nltk.sentiment.vader import SentimentIntensityAnalyzer
from nltk.tokenize import sent_tokenize, word_tokenize

def analyze_review(review):
    sid = SentimentIntensityAnalyzer()
    sentences = sent_tokenize(review)
    compound_scores = []
    for sentence in sentences:
        words = word_tokenize(sentence)
        compound_scores.append(sid.polarity_scores(sentence)['compound'])
    return sum(compound_scores) / len(compound_scores)

def clean_text(text):
    # 去除多余空格和换行符
    text = text.strip()
    # 去除标点符号
    text = ''.join(c for c in text if c.isalnum() or c.isspace())
    # 转换为小写
    text = text.lower()
    return text

def get_reviews(url):
    # 发送请求
    response = requests.get(url)
    # 解析HTML页面
    soup = BeautifulSoup(response.text, 'html.parser')
    # 找到评论区的div
    reviews = soup.find_all('div', {'class': 'a-section review aok-relative'})
    # 遍历每个评论并提取信息
    for review in reviews:
        # 提取评论的标题
        title = review.find('a', {'class': 'a-size-base a-link-normal review-title a-color-base review-title-content a-text-bold'}).text.strip()
        # 提取评论的内容
        content = review.find('span', {'class': 'a-size-base review-text review-text-content'}).text.strip()
        # 清洗评论文本
        content = clean_text(content)
        # 进行情感分析
        score = analyze_review(content)
        # 输出评论信息和情感分数
        print(f'Title: {title}\nContent: {content}\nScore: {score}\n\n')

# 爬取的商品评论页面URL
url = 'https://www.amazon.com/SAMSUNG-Factory-Unlocked-Android-Smartphone/product-reviews/B0BLP57HTN/ref=cm_cr_dp_d_show_all_btm?ie=UTF8&reviewerType=all_reviews'
get_reviews(url)

这个代码示例会爬取指定亚马逊商品的评论，并对每个评论进行情感分析。具体来说，它会使用NLTK中的VADER情感分析器对每个句子进行情感分析，然后将所有句子的分数取平均值作为整个评论的情感分数。请注意，情感分析并不是一项完美的技术，它的准确性和可信度都受到很多因素的影响，因此结果仅供参考。