python爬虫+R数据可视化 实例

声明：本次实例不涉及隐私信息，爬取数据全为笔者所能获取的公开信息
python 和 r语言这对黄金搭档，在数据获取，分析和可视化展示方面，各具特色，相互配合，当之无愧成为数据分析领域的两把利剑。该项目分为两个模块：1，数据准备阶段 采用python网络爬虫，实现所需数据的抓取，2，数据处理和数据可视化，采用r语言作为分析工具并作可视化展示。
第一，数据准备模块
数据来源选用笔者所在学校的内网(校内俗称OB)，采用保存cookie模拟登录，以板块为单位，进行论坛帖子的抓取，并且根据发贴人的连接，再深入到发贴人的主页进行发贴人个人公开信息的抓取，最后以每一条帖子作为一条记录保存到文件，按照此逻辑笔者于2016年5月13日-2016年5月26日设置ubuntu下定时任务，按时抓取并保存获得数据，关于linux下如何设置定时任务，请参考设置linux下的定时任务。
以下进行详细分析：
首先需要载入的库：

#coding:utf-8
import urllib
import urllib2
import cookielib
import re
from bs4 import BeautifulSoup
import block_list
import time,sys,datetime,random

进行模拟登录并保存cookie
需要有登录界面和论坛首页的url和保存cookie和错误日志文件

post_url = 'http://ourob.cn/bbs/member.php?mod=logging&action=login&loginsubmit=yes&infloat=yes&lssubmit=yes&inajax=1'
url = 'http://ourob.cn/bbs/forum.php'
err_str = '' #保存error详情
filename = 'cookie_ob.txt'

模拟登录和生成cookie文件

cookie = cookielib.MozillaCookieJar(filename)
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
#post请求参数
postdata = urllib.urlencode({
        'fastloginfield':'username',
        'handlekey':'ls',
        'username':'my user name',
        'password':'my password',
        'quickforward':'yes',
        'User-Agent':'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:46.0) Gecko/20100101 Firefox/46.0',
        'Connection':'keep-alive'
})
login_url = post_url
opener.open(login_url,postdata)
cookie.save(ignore_discard=True,ignore_expires=True)

尝试用cookie模拟登录论坛首页，并下载源码，提取所需字段信息

login_url = post_url
opener.open(login_url,postdata)
cookie.save(ignore_discard=True,ignore_expires=True)
try:
        result = opener.open(url)
except Exception,e:
        err_str += 'first page err:%s \n' %(e)
#time.sleep(random.randint(0,1))
str_0 = result.read() #str_0 列表页源码 

以下即可采用正则表达式，提取 今日发帖数，会员人数，在线人数
代码如下：

#正则获取列表页 user_num,topic_num,online_num
user_num = 0
topic_num = 0
online_num = 0
pattern_topic_num = re.compile('<p class="chart z">今日: <em>(\d*?)em><span class=')
topic_num = re.findall(pattern_topic_num,str_0)[0]
pattern_user_num = re.compile('</span>会员: <em>(\d*?)em>')
user_num = re.findall(pattern_user_num,str_0)[0]
pattern_online_num = re.compile('<span class=.*?>(\d*?)strong>')
online_num = re.findall(pattern_online_num,str_0)[0]
result_0 = 'date:%s,今日发帖：%s,会员人数:%s,在线人数:%s,'%(time.ctime(time.time()),topic_num,user_num,online_num)

这种广度搜索爬虫都会涉及到需要补全链接的坑，所以本文采用定义补全链接函数，在需要的部分对该函数进行调用。

#补全链接函数
def full_url(list):
        for i,item in enumerate(list):
                list[i] = ('http://ourob.cn/bbs/' + item.replace('amp;',''))
        return list

接下来，就是深入到各个板块下进行爬取，事先定义好了一个盛放各板块url的.py文件block_list，已经在开始部分导入，还需要增加翻页功能，如下：

#板块下爬虫
block_url = []
block_url = block_list.block_url
#增加翻页功能：简单起见，只翻2页
for i in range(31):
        list_temp = []
        list_temp.append(block_url[i][0] + '&page=2')
        list_temp.append(block_url[i][1])
        block_url.append(list_temp)

后续的部分思路相对比较简单，但是涉及到提取字段，代码部分比较复杂，这里值得提一下的是：有的网站登录一段时间由于某些原因是会失效的（ob就是），但是究竟多久失效，这个没办法知道，所以为了避免因为登录失效而导致爬去失败或者数据丢失，干脆直接采用抓取页面前，均使用cookie重新登录，实现如下(提取字段部分不全)：

for i in range(0,62):#range(len(block_url)):
        print 'num:%d,block_name:%s,blcok_url:%s'%(i,block_url[i][1],block_url[i][0])
        #print block_url[i][0],block_url[i][1]
        str_1 = '' #临时存储板块源码，用于后续提取正文url
        list_1 = [] #临时存储列表页中当日帖子的正文url
        try:
                cookie = cookielib.MozillaCookieJar()
                cookie.load('cookie_ob.txt',ignore_discard=True,ignore_expires=True)
                opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
                opener.open(login_url,postdata)
                str_1 = opener.open(block_url[i][0]).read()
        except Exception,e:
                err_str += 'block url:%s err:%s ' %(block_url[i][0],e)
        import time
        #time.sleep(random.randint(9,10))
        '''
        list_1 = str_1.split('em>\.\*\?')
        print len(list_1)
        '''
        if str_1 != '':
                soup = BeautifulSoup(str_1)
                #print soup.prettify()
                for tag in soup.find_all('td'):
                        if tag.em != None:
                                if tag.em.span != None:
                                        if tag.em.span.has_attr('class') and tag.em.span.get('class')[0] == 'xi1':
                                                #print tag.em.span.string
                                                #if tag.previous_sibling.previous_sibling.a.has_attr('class'):
                                                list_1 = re.findall(re.compile('href="(.*?)"'),str(tag.previous_sibling.previous_sibling.find_all('a',class_='xst')))
                                                #调用函数，自动补全list中url
                                                list_1 = full_url(list_1)
                                                #进行下一层爬虫-正文页
                                                for item in list_1:
                                                str_2 = '' #临时存储正文页源码，供后续提取字段
                                                        str_3 = '' #临时存储楼主主页源码，供提取相关字段
                                                        name='';time='';view_num='';comment_num='';title = ''
                                                        #print item
                                                        try:
                                                                str_2 = opener.open(item).read()
                                                        except Exception,e:
                                                                err_str += 'content url:%s err:%s       ' %(item,e)
#以下类似 省略

最终得到的数据是这个样子的：

第二，数据处理和数据可视化
主要采用r语言读取数据，进行频数统计和图表展示
简单贴几段代码：
读取剪切板数据
并采用table()函数求频数

data3<-read.table("clipboard",header = T)
tb3<-as.data.frame(table(data3))
colnames(tb3) <- c("b_type","freq")

柱状图

#柱状图
p <- ggplot(data = tb3, aes(x=b_type,y=freq))
p + geom_bar(stat="identity" , width = 0.4, fill = "cornflowerblue") + ggtitle("13-26日发帖人血型统计")

折线图

ggplot(data=data1,aes(x=time))+geom_line(aes(y=在线人数,colour="在线人数"))+geom_line(aes(y=今日发帖,colour="今日发帖"))
+ scale_colour_manual("items",values = c("在线人数" = "red","今日发帖" = "blue"))

饼图

#饼图
p<-ggplot(data=tb3,aes(x="",y=freq,fill=factor(b_type)))+geom_bar(stat="identity",width=1)
#p+ geom_bar(stat="identity" , width = 0.8, fill = "cornflowerblue")+coord_polar(theta="y")
p+coord_polar(theta = "y")+ ggtitle("13-26日 发帖人血型分布")

很显然，发帖数和在线人数呈现正相关关系，二者在23：30左右的时候急速下降，主要是由于校内这个时候断网，断电，大家也都该洗洗睡了～，一直到早上7：20左右，人数开始回升，从这也可以看出童鞋们起床时间还是很早滴（因为要上课…），在线人数全天除了后半夜基本保持在500以上，上图：

r语言版

发帖人数统计，呈现波动性很大，通过查询日历，显而易见，发帖数高的日期13，14，21，22均为周末，看来大家周末放松的方式之一还真是逛～O～B，再看16，17，18可想而知童鞋们都胶着在上课，作业中，无暇顾及玩ob了…

从板块角度来看，人们对不同板块有不同的热爱，但是结果上，分布很不均匀，基本上大家经常水的就那么几个，有些则是很久页无人问津…


从ob会员上来看，分布依然很不均匀，活跃的就是那么几个（我猜大部分比较活跃的都是版主有木有～～）

这里统计了一下，发帖数排名前十的，会员昵称，能找到你自己么？？

那么还有一个问题，大家都是在几点比较容易发帖呢？？用数据说话，接着看图…

结果就是发帖时间有两个高峰：一个是上午九点到十点，另一个是晚上七点到十点，也比较符合预期。
辛苦抓取了帖子作者的信息，我们来看一看，都是哪一级的学生经常浪迹ob,说实话，当我看到结果的时候，瞬间觉得我已经在沙滩上了。。。

来一张一目了然的～

喜欢发帖和出生月份有木有关系？？，来看看…


当然还要精确到天…


最后，还有血型


难道是说A型血，更倾向于逛ob吗，道理在哪里？？？
到此，全部结束