NO.16——Pathon爬取杨超越新浪微博数据做词云分析

      看到网上充斥着很多词云分析的资料，今天心血来潮，也尝试下词云分析。最近热火的《创造101》，杨超越小姐姐一直在风口浪尖，因此这里借用小姐姐的微博数据做分析。

一、准备工具

      作词云分析主要用到两个工具：   

jieba,俗称结巴，中文分词工具；

wordcloud，词云生成工具。可以先用pip安装这两个库。

二、分析

      首先打开移动端 https://m.weibo.cn/searchs，在里边找到小姐姐的微博主页，分析浏览器的请求。

     新浪微博应用的是Ajax渲染方式，因此若要准确分析数据需要提取出Ajax请求，Ajax的请求类型为XHR，如图getIndex前缀的都是Ajax请求，查看其Request URL, 观察到获取微博数据的的接口是 https://m.weibo.cn/api/container/getIndex。仔细观察这个URL参数：

发现其中有一些固定参数在不同请求中是恒定不变的，同时也有一些加密参数，page是翻页参数。在response选项卡中查看这个借口返回的数据，发现是JSON字典类型，在JSON.cn中进行在线转化：

total是微博总条数，page是页数，每10条微博为一页，每一条微博都被封装在cards数组中，具体内容在text标签里。

三、构造请求头

       分析完网页，我们用requests模拟浏览器来获取数据，因为不需要登陆就可以查看小姐姐的微博，因此这里不需要准备cookies。应用以上分析得到的参数构建请求头：

headers = {
    "Host": "m.weibo.cn",
    "Referer": "https://m.weibo.cn/u/5644764907",
    "User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 9_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) "
                  "Version/9.0 Mobile/13B143 Safari/601.1",
}

url = "https://m.weibo.cn/api/container/getIndex"
params = {"uid": "{uid}",
          "luicode": "10000011",
          "type": "uid",
          "value": "5644764907",
          "containerid": "{containerid}",
          "page": "{page}"}

四、构造简单爬虫

          通过返回的数据能查询到总微博条数 total，爬取数据直接利用 requests 提供的方法把 json 数据转换成 Python 字典对象，从中提取出所有的 text 字段的值并放到 blogs 列表中，提取文本之前进行简单过滤，去掉无用信息。顺便把数据写入文件，方便下次转换时不再重复爬取。

          同时，在这里准备一个由常见连接词组成的“结巴关键语录”，里边存放“你、我、他、虽然、但是”等连接词，用这个语录对微博语句进行断句。

          同时，准备好词云背景图,这个背景图除了图案背景最好是白色。

          通过hsl函数来决定生成词云的颜色。

def grey_color_func(word, font_size, position, orientation, random_state=None,
                    **kwargs):
    s = "hsl(10, %d%%, %d%%)" % (random.randint(200, 255),random.randint(10, 55))   #色相、饱和度、明度
    print(s)
    return s

五、效果图

哈哈哈，结果出来了，是不是很开心！发现小姐姐提到较多的关键字是好看、超越、抖音......

六、原始代码

# -*- coding:utf-8 -*-
import codecs
import re
import random
import imageio
import jieba.analyse
import matplotlib.pyplot as plt
import requests
from wordcloud import WordCloud

__author__ = 'Slash'

headers = {
    "Host": "m.weibo.cn",
    "Referer": "https://m.weibo.cn/u/5644764907",
    "User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 9_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) "
                  "Version/9.0 Mobile/13B143 Safari/601.1",
}


def clean_html(raw_html):
    pattern = re.compile(r'<.*?>|转发微博|//:|Repost|，|？|。|、|分享图片|回复@.*?:|//@.*')
    text = re.sub(pattern, '', raw_html)
    return text


url = "https://m.weibo.cn/api/container/getIndex"
params = {"uid": "{uid}",
          "luicode": "10000011",
          "type": "uid",
          "value": "5644764907",
          "containerid": "{containerid}",
          "page": "{page}"}


def fetch_data(uid=None, container_id=None):
    """
    抓取数据，并保存到CSV文件中
    :return:
    """
    page = 0
    total = 331
    blogs = []
    for i in range(0, total // 10):
        params['uid'] = uid
        params['page'] = str(page)
        params['containerid'] = container_id
        res = requests.get(url, params=params, headers=headers)
        cards = res.json().get("data").get("cards")

        for card in cards:
            # 每条微博的正文内容
            if card.get("card_type") == 9:
                text = card.get("mblog").get("text")
                text = clean_html(text)
                blogs.append(text)
        page += 1
        print("抓取第{page}页，目前总共抓取了 {count} 条微博".format(page=page, count=len(blogs)))
        with codecs.open('weibo.txt', 'a', encoding='utf-8') as f:
            f.write("\n".join(blogs))


def grey_color_func(word, font_size, position, orientation, random_state=None,
                    **kwargs):
    s = "hsl(10, %d%%, %d%%)" % (random.randint(200, 255),random.randint(10, 55))   #色相、饱和度、明度
    print(s)
    return s


def generate_image():
    data = []
    jieba.analyse.set_stop_words("./stopwords.txt")

    with codecs.open("weibo.txt", 'r', encoding="utf-8") as f:
        for text in f.readlines():
            data.extend(jieba.analyse.extract_tags(text, topK=20))
        data = " ".join(data)
        mask_img = imageio.imread('./bg.jpg')
        wordcloud = WordCloud(
            font_path='./WenQuanZhengHei-1.ttf',
            background_color='white',
            mask=mask_img
        ).generate(data)
        plt.title('Yangchaoyue',fontsize='large')
        plt.imshow(wordcloud.recolor(color_func=grey_color_func, random_state=3),
                   interpolation="bilinear")   #双线性差值
        
        plt.imshow(wordcloud, interpolation="bilinear")
        
        plt.axis('off')
        plt.savefig('./yang.jpg', dpi=1600)


if __name__ == '__main__':
    fetch_data("5644764907", "1076035644764907")
    generate_image()