从数据爬取到机器学习——标题党，你的标题值几何

一、前言：

听说自媒体火了
听说自媒体平台多了
听说自媒体平台补贴高了
听说搞自媒体的人都赚翻了
……
我也想不撸码，投身于自媒体行业去～(￣▽￣～)(～￣▽￣)～

二、引子：

前段时间拿到一个自媒体平台伪原创的采集器，嗯，长下面那样：

某自媒体平台伪原创采集器

按照阅读量排序进行采集，选择高阅读量的文章，稍加修改，就是一篇自己的伪原创文章了，赶紧注册几个自媒体平台号，什么千家号、尾条号、北极熊号，每天发上几篇自己，坐等各大平台给自己送钱，创造被动收入、实现财务自由，指日可待(๑•̀ㅂ•́)و✧。
醒醒，快醒醒，现实分分钟打我脸(;´༎ຶД༎ຶ`)

惨遭现实打脸
所以还是安心撸码吧╮（╯＿╰）╭

三、爬取数据

找页面找接口解析元素是一件很繁琐的过程，已经有一个现成的采集器，那就直接对它进行抓包。
用wireshake抓取到它的HTTP请求：

采集器的HTTP请求

解析出来：

详细的请求
打开链接看看：
接口返回的数据
嗯，有了接口，那就直接写爬虫爬数据吧

头条号的ID直接使用采集器自带的（就是那么懒╮(╯▽╰)╭）

# coding:utf-8

import requests
import json
import pymongo

# 链接MongoDB
conn = pymongo.MongoClient(host='localhost',port=27017)
toutiaohao = conn['toutiaohao']
news = toutiaohao['news']

headers = {
    'Host': 'www.toutiao.com',
    'User-Agent': 'Mozilla/4.0 (compatible; MSIE 9.0; Windows NT 6.1; 125LA; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022)',
    'Connection': 'Keep-Alive',
    'Content-Type': 'text/plain; Charset=UTF-8',
    'Accept': '*/*',
    'Accept-Language': 'zh-cn',
    'Cookie': '__tasessionId=x57suhyhv1500091331200;cp=5969D943FCF37E1',
}

def scrap_toutiao(uid):
    url = 'http://www.toutiao.com/c/user/article/?page_type=1&user_id={uid}&max_behot_time=0&count=60&as=A175F9F659893C3&cp=5969D943FCF37E1'.format(uid=uid)
    resp = requests.get(url,headers=headers).text
    data = json.loads(resp,encoding='utf-8')['data']
    if len(data) != 0:
        for d in data:
            try:
                category = d['chinese_tag']
            except:
                category = '其他'
            result = {
                'title':d['title'],
                'readcount':d['go_detail_count'],
                'category':category,
                'comment':d['comments_count'],
                'author':d['source']
            }
            print(result)
            news.insert_one(result)

with open('今日头条ID.txt',mode='r') as text:
    oneid = text.readlines()
    for i in oneid:
        print(i,end='')
        scrap_toutiao(uid=i)

conn.close()

没用多进程多线程，没用代理池，没考虑异常处理，没有编码的规范性，嗯，就是写的菜鸡风格的爬虫。╮（﹀_﹀）╭
去MongoDB里面看看数据：

四、探索数据

脸皮薄，怕被骂ㄟ( ▔, ▔ )ㄏ
加载进pandas，来探索探索爬取到的数据
1、引入模块

import numpy as np
import pandas as pd
import pymongo
import matplotlib.pyplot as plt

2、从mongodb中加载数据

# 链接MongoDB
conn = pymongo.MongoClient(host='localhost',port=27017)
toutiaohao = conn['toutiaohao']
news = toutiaohao['news']

data = pd.DataFrame(list(news.find()))
del data['_id']

3、去除重复值

data = data.drop_duplicates(subset='title')

最后剩下11291条头条：

去重后的数据

4、按照阅读量排序，看看前10都是些什么文章：

data = data.sort_values('readcount',ascending=False)
data.head(10)

点击量前10的头条

嗯，9条娱乐新闻，剩下一条，算是伦理新闻么(☄⊙ω⊙)☄
5、再看看各个类别的占比

data['category'].value_counts().reset_index()

前5

plt.style.use('ggplot')
plt.figure(figsize=(6,6))
plt.pie(data['category'].value_counts().reset_index()['category'],labels=data['category'].value_counts().reset_index()['index'])

分类占比饼图

plt.figure(figsize=(15,10))
plt.bar(np.arange(len(data['category'].value_counts().reset_index())),data['category'].value_counts().reset_index()['category'])
plt.xticks(np.arange(len(data['category'].value_counts().reset_index())),data['category'].value_counts().reset_index()['index'],rotation=50)

分类数量柱状图
娱乐新闻一骑绝尘，真是个娱乐至死的时代[]_(￣▽￣)*

6、最后看看各个头条号的阅读量
采集的数据中，一共包含210个头条号
阅读量前10位为：

data_groupby_author_to_readcount = data.groupby('author')['readcount'].sum().reset_index().sort_values('readcount',ascending=False)
data_groupby_author_to_readcount.head(10)

阅读量前10的头条号

前10的阅读量合计：

data_groupby_author_to_readcount.head(10)['readcount'].sum()

158309655

所有头条号的阅读量合计为：

data_groupby_author_to_readcount['readcount'].sum()

635325549

嗯，前10的头条号占了总流量的6分之一。
但是！！！前面所说的都没有什么屁用。
因为！！！通过统计显示，采集的210个头条号中，娱乐类的头条号占了157个┑(￣Д ￣)┍

data.drop_duplicates(subset='author').groupby('category')['author'].count().reset_index()

头条号类型比率饼图

是不是很尴尬
嗯，不尴尬，重点在下面

五、机器学习——构建标题分类器

本来想做个根据标题来预测阅读量的例子，细想了一下，自己这渣水平还是不要自己找不痛快了。
那就做一个分类器吧。
根据标题预测阅读量的高低等级。
实现简单、容易理解d=====(￣▽￣*)b
先看看数据的整体情况：

data.describe()

count      11291.0
mean       56268.3
std       176473.9
min            0.0
25%          295.0
50%         2601.0
75%        30703.0
max      3941170.0

数据整体情况

嗯，平均阅读量为56268
也不清楚自媒体行业的阅读量等级标准，姑且就拿样本数据的分位值平均值作为标准吧，
高于中分位的为高阅读量，低于中分位的为低阅读量。
就这样愉快地决定了。o(*≧▽≦)ツ
生成一个新的阅读量等级序列：

data['level'] = data['readcount'].map(lambda x:1 if x >= 2601 else 0)

然后，对标题进行分词

import jieba
data['fenci'] = data['title'].map(lambda x:' '.join(jieba.cut(x)))

数据就成了这样：

加入分词和阅读量等级后的数据

接下来提取数据，用于生成训练和测试数据：

X = data['fenci'].values
y = data['level'].values

分割训练集和测试集：

from sklearn.cross_validation import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)

提取分词后的头条标题的文本特征：

from sklearn.feature_extraction.text import CountVectorizer,TfidfTransformer
vectorizer = CountVectorizer()

X_train_termcounts = vectorizer.fit_transform(X_train)

tfidf_transformer = TfidfTransformer()
X_train_tfidf = tfidf_transformer.fit_transform(X_train_termcounts)

使用朴素贝叶斯算法进行模型训练

from sklearn.neighbors import KNeighborsClassifier

classifier = MultinomialNB().fit(X_train_tfidf,y_train)
knn_classifier = KNeighborsClassifier().fit(X_train_tfidf,y_train)

这样一个朴素贝叶斯的模型就训练好了，我们用测试数据来进行预测一下：

X_test_termcounts = vectorizer.transform(X_test)
X_test_tfidf = tfidf_transformer.transform(X_test_termcounts)

predicted = classifier.predict(X_test_tfidf)

看看预测数据的准确率：

from sklearn.metrics import accuracy_score
print('朴素贝叶斯分类器：',accuracy_score(y_test,predicted))

模型预测准确率

嗯，百分之六十的准确率……
这基本上也就告别实际应用了(ノへ￣、)

拿本文的标题预测一下：

classifier.predict(tfidf_transformer.transform(vectorizer.transform(['从 数据 爬取 到 机器 学习——标题党 你的 标题 值 几何'])))

本文标题预测

感人的0——感人的低。
看来没有投身自媒体的本事ε(┬┬﹏┬┬)3
继续为了温饱撸码去╥﹏╥...