爬取糗事百科段子 + 数据可视化

一、前言

糗事百科的段子栏目声称：幽默笑话大全__爆笑笑话__笑破你的肚子的搞笑段子，我们用 Python 来看看糗事百科的段子到底怎么样呢

本文主要内容：

二、selenium爬取段子信息

翻页查看url变化规律：

https://www.qiushibaike.com/text/page/1/
https://www.qiushibaike.com/text/page/2/
https://www.qiushibaike.com/text/page/3/
https://www.qiushibaike.com/text/page/4/
https://www.qiushibaike.com/text/page/5/
https://www.qiushibaike.com/text/page/6/

思路：段子信息在 id 为 content 的 div 标签下的 div 下的第二个 div 标签下的 div 标签里，获取到所有 div 标签的内容，然后遍历，从中提取出每一条段子信息。

代码如下：

# -*- coding: UTF-8 -*-
"""
@File    ：spider.py
@Author  ：叶庭云
@CSDN    ：https://yetingyun.blog.csdn.net/
"""
from selenium import webdriver
from time import sleep
import logging
import openpyxl


wb = openpyxl.Workbook()
sheet = wb.active
sheet.append(['段子内容', '好笑数', '评论数'])
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s')

chrome_driver = r'D:\python\pycharm2020\chromedriver.exe'

options = webdriver.ChromeOptions()
# 可以设置无头模式 不弹出浏览器
# options.add_argument("--headless")
# 关闭左上方 Chrome 正受到自动测试软件的控制的提示
options.add_experimental_option('useAutomationExtension', False)
options.add_experimental_option("excludeSwitches", ['enable-automation'])
browser = webdriver.Chrome(options=options, executable_path=chrome_driver)
# 可以设置绕过Webdriver的检测
browser.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
     
"source": """
Object.defineProperty(navigator, 'webdriver', {
get: () => undefined
})
"""
})


def get_data(page):     # 爬取数据函数
    url = f'https://www.qiushibaike.com/text/page/{page}/'
    browser.get(url)    # 访问目标url
    browser.maximize_window()   # 最大化窗口
    sleep(1)    # 短暂休眠
    # Xpath定位到所有包含段子信息的div标签
    items = browser.find_elements_by_xpath('//*[@id="content"]/div/div[2]/div')
    # print(len(items))  一页25条段子
    # 遍历  获取每一条段子信息
    for item in items:
        con = item.find_element_by_xpath('.//a/div/span').text                   # 段子内容
        funny_num = item.find_element_by_xpath('.//div[2]/span[1]/i').text      # 好笑数
        comment_num = item.find_element_by_xpath('.//div[2]/span[2]/a/i').text   # 评论数
        sheet.append([con, funny_num, comment_num])
        logging.info([con, funny_num, comment_num])


if __name__ == '__main__':
    for i in range(1, 14):    # 翻页爬取
        get_data(i)
    browser.quit()     # 关闭浏览器
    wb.save(filename='datas.xlsx')   # 保存数据

运行结果如下：

段子信息保存到了本地 Excel 里，结果如下：

三、绘制词云图

段子内容词云图可视化

# -*- coding: UTF-8 -*-
"""
@File    ：词云图.py
@Author  ：叶庭云
@CSDN    ：https://yetingyun.blog.csdn.net/
"""
import pandas as pd
import jieba
import collections
import re
from wordcloud import WordCloud
import matplotlib.pyplot as plt

# 读取段子数据
datas = pd.read_excel('datas.xlsx')['段子内容']

# 读取停用词数据
with open('stop_words.txt', encoding='utf-8') as f:
    con = f.read().split('\n')    # 得到每一行的停用词
    stop_words = set()
    for i in con:
        stop_words.add(i)

result_list = []
for data in datas:
    # 文本预处理  去除一些无用的字符   只提取出中文出来
    new_data = re.findall('[\u4e00-\u9fa5]+', data, re.S)
    new_data = "/".join(new_data)
    # 文本分词
    seg_list_exact = jieba.cut(new_data, cut_all=True)
    # 去除停用词和单个词
    for word in seg_list_exact:
        if word not in stop_words and len(word) > 1:
            result_list.append(word)

print(result_list)
# 筛选后统计
word_counts = collections.Counter(result_list)

# 绘制词云
my_cloud = WordCloud(
    background_color='white',  # 设置背景颜色  默认是black
    width=800, height=550,
    font_path='simhei.ttf',   # 设置字体  显示中文
    max_font_size=160,        # 设置字体最大值
    min_font_size=16,         # 设置字体最小值
    random_state=88           # 设置随机生成状态，即多少种配色方案
).generate_from_frequencies(word_counts)

# 显示生成的词云图片
plt.imshow(my_cloud, interpolation='bilinear')
# 显示设置词云图中无坐标轴
plt.axis('off')
plt.show()

运行效果如下：

老婆、朋友、孩子、媳妇、同事、回家、老公等词语都是糗事百科段子内容里出现频率较高，都比较贴进生活，除此之外，“发现” 这个词也是出现频率较高的，看来有点东西。

四、散点图

分析评论数与好笑数之间关系，散点图可视化

# -*- coding: UTF-8 -*-
"""
@File    ：散点图.py
@Author  ：叶庭云
@CSDN    ：https://yetingyun.blog.csdn.net/
"""
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl

# 读取数据
df = pd.read_excel('datas.xlsx')
funny_num, comment_num = df['好笑数'], df['评论数']
# 设置中文显示
mpl.rcParams['font.family'] = 'SimHei'
# 设置图形显示风格 ggplot
plt.style.use('ggplot')
# 设置大小  像素
plt.figure(figsize=(9, 6), dpi=100)

# 绘制散点图
plt.scatter(comment_num, funny_num)
# 添加描述信息
plt.title('段子评论数与好笑数关系-散点图')
plt.xlabel('评论数')
plt.ylabel('好笑数')
plt.show()

运行效果如下：

在评论数小于 50 时，点分布密集，大概还有评论数多，好笑数多的关系，评论数大于50之后，点分布非常散乱。段子的评论数和好笑数实时在变，下面来看看我们那是爬取下来的段子里评论数最多、好笑数最多的分别讲的啥。

import pandas as pd

# 读取数据
df = pd.read_excel('datas.xlsx')
# 降序排列后打印第一行  评论数最多
df1 = df.sort_values(by='评论数', ascending=False)
print(df1.values[0])

# 评论数最多的段子
前几天公司组织体检，有一项彩超，要求憋尿， 还说憋得越好照得越清晰，检查效果越好。
我从早上就开始憋尿，等排到我时，已经是崩溃边缘。
结果我刚躺下，医生大姐就说，你这憋的太多了，反而看不清，你去尿一半再来。
我当时就急了，这一急再也控制不住了，那股子水管爆裂水花四溅的场面，医生连呼卧槽 卧 槽。。。

import pandas as pd

# 读取数据
df = pd.read_excel('datas.xlsx')
# 降序排列后打印第一行  好笑数最多
df1 = df.sort_values(by='好笑数', ascending=False)
print(df1.values[0])

# 好笑数最多的段子
急诊科。
今天一个家属，是个年轻的小伙子。他母亲昨晚入科，大家忙活一夜，终于转危为安。
结果早上一个小护士给老太太扎针的时候，因为患者血管特别难找，所以第一次没扎上，扎了第二针。
但小伙子不乐意了，说话特别难听。医生、护士、保安各种劝、各种安慰道歉，
他还是不依不饶，站在走廊大喊大骂：“把你们院长给我找来！把你们领导给我找来！
护士是干什么的？护士不就是扎针的吗？你是干什么吃的？在学校都白学了吗？给我妈扎了两针！敢情不是扎你妈身上，你不心疼，一个针眼好几天才能好，赔钱！赶紧赔钱！今天不给我 …

emmm，幽默笑话大全__爆笑笑话__笑破你的肚子的搞笑段子，就这?

作者：叶庭云
CSDN：https://yetingyun.blog.csdn.net/
本文仅用于交流学习，未经作者允许，禁止转载，更勿做其他用途，违者必究。
觉得文章对你有帮助、让你有所收获的话，期待你的点赞呀，不足之处，也可以在评论区多多指正。