爬取林丹和赵雅淇的微博评论看看网友都说了些什么

45次阅读

共计 2079 个字符，预计需要花费 6 分钟才能阅读完成。

7 月 4 日，林丹在微博上宣布了自己退役的消息，7 月 6 日，林丹出轨女主赵雅淇发文诉委屈，先简单看一下他们发的微博。

对于他们的微博内容，这里不做评价，我们使用 Python 爬取他们所发微博下面的评论信息，看看网友都说了些什么。

爬取之前，先简单了解一下微博，微博主要有如下三种展示形式：

网页版（http://weibo.com）
手机端（http://m.weibo.cn）
移动端（http://weibo.cn）

其中移动端爬取相对容易一些，这里我们就从移动端下手，首先在浏览器上输入 http://weibo.cn 打开，如下图所示：

我们可以看到有一个搜索框，我们可以通过它来找人，以林丹为例，我们在搜索框输内入林丹之后点击 找人 按钮，就可以搜到林丹的微博了，如下图所示：

我们点击其微博名进入微博主页，如下图所示：

接着打开开发者工具并选择 Network，然后点击 评论，如下图所示：

因为评论内容较多，查看更多内容是需要翻页的，我们将页面向下拉，可以看到翻页按钮，我们点 下页 看一下其具体请求，如下图所示：

上图中的 Request URL 中的 page 参数前面是固定的，page 是页号，爬取时我们需要用到的就是这个 URL，除此之外，我们还需要用到 cookie 和 user-agent 参数，在下面的 Request Headers 中就可找到，如下图所示：

需要用的东西找齐了之后，我们就可以爬取评论了，主要代码实现如下：

# 爬取一页评论内容
def get_one_page(url):
    headers = {
        'User-agent' : '自己的 User-agent',
        'Host' : 'weibo.cn',
        'Accept' : 'application/json, text/plain, */*',
        'Accept-Language' : 'zh-CN,zh;q=0.9',
        'Accept-Encoding' : 'gzip, deflate, br',
        'Cookie' : '自己的 Cookie',
        'DNT' : '1',
        'Connection' : 'keep-alive'
    }
    # 获取网页 html
    response = requests.get(url, headers = headers, verify=False)
    # 爬取成功
    if response.status_code == 200:
        # 返回值为 html 文档，传入到解析函数当中
        return response.text
    return None

# 解析保存评论信息
def save_one_page(html):
    comments = re.findall('<span class="ctt">(.*?)</span>', html)
    for comment in comments[1:]:
        result = re.sub('<.*?>', '', comment)
        if '回复 @' not in result:
            with open('ld_comment.txt', 'a+', encoding='utf-8') as fp:
                fp.write(result)

最终，我们将评论信息爬取后存到了 txt 文件中。

接下来我们将网友评论信息做成词云看一下，词云之前我们也做过，这里不再多说，看一下主要的代码实现：

def jieba_():
    stop_words = []
    with open('stop_words.txt', 'r', encoding='utf-8') as f:
        lines = f.readlines()
        for line in lines:
            stop_words.append(line.strip())
    content = open('ld_comment.txt', 'rb').read()
    # jieba 分词
    word_list = jieba.cut(content)
    words = []
    for word in word_list:
        if word not in stop_words:
            words.append(word)
    global word_cloud
    # 用逗号隔开词语
    word_cloud = '，'.join(words)

def cloud():
    # 打开词云背景图
    cloud_mask = np.array(Image.open('bg1.png'))
    # 定义词云的一些属性
    wc = WordCloud(
        # 背景图分割颜色为白色
        background_color='white',
        # 背景图样
        mask=cloud_mask,
        # 显示最大词数
        max_words=200,
        # 显示中文
        font_path='./fonts/simhei.ttf',
        # 最大尺寸
        max_font_size=40
    )
    global word_cloud
    # 词云函数
    x = wc.generate(word_cloud)
    # 生成词云图片
    image = x.to_image()
    # 展示词云图片
    image.show()
    # 保存词云图片
    wc.to_file('ld.png')

我们先来看一下用林丹微博评论生成的词云图，如下所示：

再来看一下用赵雅淇微博评论生成的词云图，如下所示：

最后，我们看一下林、赵的所有评论生成的词云图，如下所示：

源码在下方公号后台回复 200707 获取。

正文完