第100篇博客——用Python爬取我前99篇博客内容，分词并生成词云图

这是我的第100篇博客，从2016年7月1日发表第一篇博客至今，也有两个多年头了。

回首自己前99篇博客，各种类型都有，有技术总结，有随感，有读书笔记，也有BUG修改。内容千奇百怪，质量参差不齐，篇幅长短不一，但总的来说也是写了也有几十万字了。

写博客对于我来说渐渐也成为了一个习惯，通过写博客，我能定期进行自我总结，归纳自己的进步和了解自己的不足。同时也通过不断地笔耕，使得自己文笔上有了不小的进步。

这第100篇博客，我打算用咱程序员自己的方式对我前99篇文章做个小结。采用Python爬取我博客整体情况和前99篇博客内容，做分词处理，然后生成词云图。

 

一、运行环境

---

      Python 3.6.3

 

二、博客整体情况爬取

---

博客的整体情况爬取可以参考我之前的文章：https://blog.csdn.net/bit_kaki/article/details/80254646

其实采用Python爬取数据的核心思想是通过模拟浏览器访问服务器，从响应的结果中获取自己想要的内容。

所以比起我之前的文章，访问服务器这块没有任何改变，而随着CSDN自身前端页面的更改，所以在获取内容这块代码会有所更改。

这里我再重新说明下吧，首先是模拟浏览器访问服务器，其代码为：

#输入CSDN博客ID
account = str(raw_input('print csdn id:'))

#首页地址
baseUrl = 'http://blog.csdn.net/'+account
#连接页号，组成爬取的页面网址
myUrl = baseUrl+'/article/list/'+str(page_num)

#伪装成浏览器访问，直接访问的话csdn会拒绝
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = {'User-Agent':user_agent}
#构造请求
req = urllib2.Request(myUrl,headers=headers)

#访问页面
myResponse = urllib2.urlopen(req)
myPage = myResponse.read()
type=sys.getfilesystemencoding()
myPage = myPage.decode("UTF-8").encode(type)

这里需要注意的我都以注释形式给予了备注。

 

接下来就是解析服务器响应的数据。在我们自己解析前，可以先打开浏览器，看看页面源代码：

在总体情况这里，我想爬取的是我的博客标题、原创、粉丝、喜欢、评论、访问量等基本信息，于是我们在源代码里找到相应的信息：

 

然后我们就可以利用正则表达式来获取相应的信息，其代码如下所示：

#获取总体信息
#利用正则表达式来获取博客的标题
title = re.findall('',myPage,re.S)
titleList=[]
for items in title:
    titleList.append(str(items).lstrip().rstrip()) 
print '%s %s' % ('标题'.decode('utf8').encode('gbk'),titleList[0])

#利用正则表达式来获取博客的数量
num = re.findall('(.*?)',myPage,re.S)
numList=[]
for items in num:
    numList.append(str(items).lstrip().rstrip()) 
	
#利用正则表达式来获取粉丝的数量
fan = re.findall('
(.*?)
',myPage,re.S)
fanList=[]
for items in fan:
    fanList.append(str(items).lstrip().rstrip()) 
	
#输出原创、粉丝、喜欢、评论数	
print '%s %s %s %s %s %s %s %s' % ('原创'.decode('utf8').encode('gbk'),numList[0],'粉丝'.decode('utf8').encode('gbk'),fanList[0],'喜欢'.decode('utf8').encode('gbk'),numList[1],'评论'.decode('utf8').encode('gbk'),numList[2])

#利用正则表达式来获取访问量
fangwen = re.findall('
',myPage,re.S)
fangwenList=[]
for items in fangwen:
    fangwenList.append(str(items).lstrip().rstrip()) 
	
#利用正则表达式来获取排名
paiming = re.findall('
',myPage,re.S)
paimingList=[]
for items in paiming:
    paimingList.append(str(items).lstrip().rstrip()) 
	
#输出总访问量、积分、排名
print '%s %s %s %s %s %s' % ('总访问量'.decode('utf8').encode('gbk'),fangwenList[0],'积分'.decode('utf8').encode('gbk'),fangwenList[1],'排名'.decode('utf8').encode('gbk'),paimingList[0])

 

运行结果如下：

于是第一部分获取博客整体情况就完成了。内容很简单，步骤总结下就是网络请求——获取数据——截取自己需要的数据。

 

三、获取每篇博客的内容

---

刚刚我们是获取博客整体情况，通过一次网络请求即可获取整体信息。

那么我们如何获取每篇文章的内容呢？

其实答案也挺简单，那就是做一次遍历，访问每篇文章所在地址，获取博客数据即可。

 

在CSDN里，每个博客展示页面仅仅展现20篇博客内容，而我的博客数是大于20的，所以在博客综述页面里是进行了分页展示。所以首先，我应该获取到每页博客综述页面的数据。代码如下：

#不是最后列表的一页
notLast = []

#获取每一页的信息
while not notLast:

    #首页地址
    baseUrl = 'http://blog.csdn.net/'+account
    #连接页号，组成爬取的页面网址
    myUrl = baseUrl+'/article/list/'+str(page_num)

    #伪装成浏览器访问，直接访问的话csdn会拒绝
    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
    headers = {'User-Agent':user_agent}
    #构造请求
    req = urllib2.Request(myUrl,headers=headers)

    #访问页面
    myResponse = urllib2.urlopen(req)
    myPage = myResponse.read()
    type=sys.getfilesystemencoding()
    myPage = myPage.decode("UTF-8").encode(type)

    #在页面中查找最后一页，这里我用了我博客的最后一页的一个标签
    notLast = re.findall('android.media.projection',myPage,re.S)

    print '-----------------------------the %d page---------------------------------' % (page_num,)

    #利用正则表达式来获取博客的标题
    title = re.findall('(.*?)',myPage,re.S)

    titleList=[]
    for items in title:
        titleList.append(str(items)[32:].lstrip().rstrip())     


    #利用正则表达式获取博客的访问地址
    url = re.findall('',myPage,re.S)
    urlList=[]
    for items in url:
        urlList.append(str(items).lstrip().rstrip())

    #将结果输出   
    for n in range(len(titleList)):
        print '%s %s' % (titleList[n],urlList[n*2+1])

    #页号加1
    page_num = page_num + 1

这里，我设置了一个参数notLast作为是否为最后一页的标签，然后在我博客综述的最后一页找到个特殊的内容“ android.media.projection” 作为判定依据，这样我就可以找到博客综述的所有数据了。

运行结果为：

 

接下来我就是要获取我每一篇博客的内容了。方法依然是遍历，根据每一页博客综述里获取的博客地址，进行请求访问，然后从响应结果里获取博客内容。代码为：

#将结果输出   
    for n in range(len(titleList)):
        print '%s %s' % (titleList[n],urlList[n*2+1])
		
	    #每篇博客地址
        baseUrl = urlList[n*2+1]

        #伪装成浏览器访问，直接访问的话csdn会拒绝
        user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
        headers = {'User-Agent':user_agent}
        #构造请求
        req = urllib2.Request(baseUrl,headers=headers)

        #访问页面
        myResponse = urllib2.urlopen(req)
        myPage = myResponse.read()
        type=sys.getfilesystemencoding()
        myPage = myPage.decode("UTF-8").encode(type)
		
	    #利用正则表达式来获取博客的内容
        content = re.findall('
(.*?)
',myPage,re.S)
        contentList=[]
        for items in content:
            contentList.append(str(items).lstrip().rstrip())
        try:
            fh = open('F:\\study\\article\\'+titleList[n]+'.txt', 'a')
            fh.write('%s' % (contentList[0]))
            fh.write('\n')
            fh.close()
        except IOError:
            print '发生了错误'

运行的结果，我们就在指定位置获取了每篇博客的内容：

不过目前的博客内容还有大量html标签，我们再把这些html标签去掉，并且全部保存到一个文件里。代码为：

#将结果输出   
    for n in range(len(titleList)):
        print '%s %s' % (titleList[n],urlList[n*2+1])
		
	    #每篇博客地址
        baseUrl = urlList[n*2+1]

        #伪装成浏览器访问，直接访问的话csdn会拒绝
        user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
        headers = {'User-Agent':user_agent}
        #构造请求
        req = urllib2.Request(baseUrl,headers=headers)

        #访问页面
        myResponse = urllib2.urlopen(req)
        myPage = myResponse.read()
        type=sys.getfilesystemencoding()
        myPage = myPage.decode("UTF-8").encode(type)
		
	    #利用正则表达式来获取博客的内容
        content = re.findall('
(.*?)
',myPage,re.S)
        contentList=[]
        for items in content:
            contentList.append(str(items).lstrip().rstrip())
            text = contentList[0]
            dr = re.compile(r'<[^>]+>',re.S)
            dd = dr.sub('',text)
        try:
            fh = open('F:\\study\\article\\ALL\\all.txt', 'a')
            fh.write('%s' % (dd))
            fh.write('\n')
            fh.close()
        except IOError:
            print '发生了错误'

然后在一个名为all.txt的文档，就可以看到我所有博客的文档内容了：

 

四、利用jieba分词

---

jieba是目前最常用的中文分词工具包，分为三种模式：精确模式（默认）、全模式和搜索引擎模式。下面举例说明：

精确模式：主要将句子最精确的切开，适合文本分析；

比如：'我想和女朋友一起去北京故宫博物院参观和闲逛。'

拆分结果为：我,想,和,女朋友,一起,去,北京故宫博物院,参观,和,闲逛。

 

全模式：把句子中所有的可能成词语都扫描出来，速度非常快，但是不能解决歧义

比如：'我想和女朋友一起去北京故宫博物院参观和闲逛。'

拆分结果为：我,想,和,女朋友,朋友,一起,去,北京,北京故宫,北京故宫博物院,故宫,故宫博物院,博物,博物院,参观,和,闲逛。

 

搜索引擎模式 ：在精准模式的基础上，对长词再次切分，提高招呼率，适合用于搜索引擎分词。

比如：'我想和女朋友一起去北京故宫博物院参观和闲逛。'

拆分结果为：我,想,和,朋友,女朋友,一起,去,北京,故宫,博物,博物院,北京故宫博物院,参观,和,闲逛。

 

本文采用精确模式，词库选择清华大学的thulac中文词库。

首先需要安装两个分析包：

pip install thulac        #安装清华大学的thulac中文词法分析包
pip install jieba          #安装中文词法分析包jieba

然后直接附上代码：

#! python3
# -*- coding: utf-8 -*-
import jieba    #导入结巴模块
from collections import Counter     #导入collections模块的Counter类

#对文本文件txt进行分词，并统计词频，再显示结果
def get_words(txt):
#对文本进行分词
    list = jieba.cut(txt)   #结巴模块的cut函数用于中文分词
#统计词频
    c = Counter()   #创建空的Counter计数器
    for x in list:  #分词结果中循环提取词语
        if len(x) > 1 and x != '\r\n' and x != 'nbsp' and x !='gt' and x !='lt':  #略掉只有一个字的词语和回车、换行、空格、大于、小于
            c[x] += 1   #统计每个单词的计数值
#S3 将结果可视化
    fh = open('F:\\study\\article\\ALL\\tongji.txt', 'a')
    fh.write('卡小基博客常用词')
    fh.write('\n')
    fh.close()
    for(k,v) in c.most_common(150):     #只取出现值最高的前150个词语
        fh = open('F:\\study\\article\\ALL\\tongji.txt', 'a')
        fh.write('%s  %d' % (k,  v))
        fh.write('\n')
        fh.close()

#读取某文本文件(默认uft-8格式)
with open('F:\\study\\article\\ALL\\all.txt','rb') as f :
    txt = f.read()
    txtlength=len(txt)
    fh = open('F:\\study\\article\\ALL\\tongji.txt', 'a')
    fh.write('卡小基博客总字数为'+str(txtlength))
    fh.write('\n')
    fh.close()
#对该文件进行分词，并统计词频，显示结果
get_words(txt)

运行可以得出结果：

就可以得出我的博客总字数以及常用词的字数了。用得最多的都是一些日常常见词，以及代码里涉及到的new、int、string的名号关键词。

 

五、生成词云图

---

根据我们的统计结果，下一步就是生成词云图了。

在Python里，我们可以使用WorldCloud生成词云图，代码也很简单，详见：

https://blog.csdn.net/CSDN2497242041/article/details/77175112?locationNum=5&fps=1

 

不过效果来说真的一般，于是后来我找到了WordArt，在上面制作词云图。

WordArt的网址为：https://wordart.com/create

 

首先是导入文字：

 

接下来是选择背景图，背景图我选择了CSDN的一个LOGO作为背景图：

 

接下来就是选择字体。因为我这里中文汉字较多，所以选择自己导入微软雅黑字体。步骤和上两步相似。

然后就是布局和类型选择，这里我都采取的是其默认选择内容。

 

选择完毕后，点击visualize按钮，即可生成词云图，效果如下：

就这样，就完成了我前99篇博客词云图统计。