乐趣区

关于python爬虫:Python爬虫豆瓣网热门话题保存文本本地数据并实现简单可视化

jiezi

Python 爬虫豆瓣网热门话题保留文本本地数据，并实现简略可视化。

前言

明天给大家分享 Python 爬虫豆瓣网热门话题保留文本本地数据

开发环境：

windows10
python3.6.4

开发工具：

pycharm
库：
requests、WordCloud、pandas、jieba

代码展现

词云生成

爬虫代码过程

1、保留短评数据

通过浏览器“查看”剖析，失去 URL 数据接口。在一直往下刷新页面的过程中，发现 URL 中只有“start”参数一直产生变动，顺次为 0，20,40,60,80—

同时，为了破解“豆瓣”的防爬虫机制，申请数据时需携带“申请头（headers）”中的“User-Agent”和“Referer”两个参数。

源码 

import requests

for i in range(0,200,20):

    # 通过浏览器查看，失去数据的 URL 起源链接
    url = 'https://m.douban.com/rexxar/api/v2/gallery/topic/125573/items?' \
          'sort=new&start={}&count=20&status_full_text=1&guest_only=0&ck=null'.format(i)

    # 破解防爬虫，带上申请头
    # 这两个不能省略
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0".3809.100 Safari/537.36','Referer':'https://www.douban.com/gallery/topic/125573/?from=gallery_trend&sort=hot'}

    # 发送申请，获取响应
    reponse = requests.get(url, headers=headers)
    html = reponse.json()

    # 解析数据，取得短评
    # 保留到本地
    for j in range(19):
        abs = html['items'][j]['abstract']
        with open("want_after.txt", "a", encoding='utf-8') as f:
            f.write(abs)
            print(abs)

2、词云可视化

把数据保留之后，须要利用“jieba”对数据进行分词；进而，通过分词后的数据绘制词云“wordcloud”，可视化展现数据。

from wordcloud import WordCloud
import matplotlib.pyplot as plt
import pandas as pd
import jieba


# 取得 wordcloud 须要的 文本格式
with open("want_after.txt", "r", encoding='utf-8') as f:
     text = ' '.join(jieba.cut(f.read(),cut_all=False))
     # print(text)

backgroud_Image = plt.imread('豆瓣.jpg')  # 背景图

# 词云的一些参数设置
wc = WordCloud(
      background_color='white',
      mask=backgroud_Image,
      font_path='SourceHanSerifCN-Medium.otf',
      max_words=200,
      max_font_size=200,
      min_font_size=8,
      random_state=50,
      )

# 生成词云
word_cloud = wc.generate_from_text(text)

plt.imshow(word_cloud)
plt.axis('off')

wc.to_file('后果.jpg')

3、高频词统计 

# 看看词频高的有哪些
process_word = WordCloud.process_text(wc, text)
sort = sorted(process_word.items(), key=lambda e: e[1], reverse=True)
sort_after = sort[:50]
print(sort_after)

# 把数据存成 csv 文件
df = pd.DataFrame(sort_after)
# 保障不乱码
df.to_csv('sort_after.csv', encoding='utf_8_sig')


文章到这里就完结了，感激你的观看，Python 数据分析系列，下篇文章分享 Python 爬取鲁迅学生《经典语录》

为了感激读者们，我想把我最近珍藏的一些编程干货分享给大家，回馈每一个读者，心愿能帮到你们。

干货次要有：

① 2000 多本 Python 电子书（支流和经典的书籍应该都有了）

② Python 规范库材料（最全中文版）

③ 我的项目源码（四五十个乏味且经典的练手我的项目及源码）

④ Python 根底入门、爬虫、web 开发、大数据分析方面的视频（适宜小白学习）

⑤ Python 学习路线图（辞别不入流的学习）

⑥ 两天的 Python 爬虫训练营直播权限

All done～详见个人简介或者私信获取残缺源代码。。

往期回顾

Python 实现“假”数据

Python 爬虫鲁迅学生《经典语录》

退出移动版