简书之旅

2020-07-18 本文已影响0人皮皮大

这是自己爬取自己的文章，然后进行数据分析的！哈哈哈

声明：本文中获取的数据仅供学习使用，未用作任何商业用途；如有转载，请注明作者和原文出处

周末美食

这是本周的美食，很赞👍制作特点总结一下：

蒜多点
放点红椒或者胡萝卜丁，颜色更好些
最后焖的时候，水少些😃

image

简书APP之旅

最近爬取简书上面的数据，进行了数据分析和可视化处理，同时也制作了最终的词云图，主要是想知道最近2年都干了什么

这次爬取和以往很大的不同的是：网页是ajax动态加载的，对网页构造的分析和花费了很长的时间，还去B站上看了崔庆才大佬的视频，所以整体上还是加大了难度。

爬虫真的不简单呀😄东西越学越多，也越难咯！哈哈哈😃

image

爬取内容

题目name
简介abstract
砖石数Masonry(后来省略)
观看Watch
评论comment
点赞like(praise)
时间time

以简书上面的一篇文章为例来进行解释。本来也想把砖石数爬取下来进行分析，但不是每篇都有文章都有砖石数，所以没有获取这个数据Masonry

image

数据

总共有530篇文章，但是不知道为什么爬出来总是只有527=58*9+5篇。在最后一页的爬取中总是只有5条

因为网页的代码结构是一样的，爬不出来，很是无解😭暂且就这样子咯

image

实际爬到的数据只有527条：

image

网页结构

ajax网页

这是第一次爬取ajax动态加载的网页数据，知乎上看到一篇关于ajax的讲解：

AJAX 是一种在无需重新加载整个网页的情况下，能够更新部分网页的技术。

举一个例子，打开这个页面，先不要动，观察右边滚动条的长度，然后当你把滚动条下拉到底之后，滚动条就变短了，即页面变长了，也就是说有一部分数据是这个时候才加载出来的。这个过程就是动态加载，基于ajax技术。我们可以看到在拉动滚动条的时候，页面上的数据变多了，但是URL始终没有变化，它不是像翻页那样将数据存到了另一个网页。

https://zhuanlan.zhihu.com/p/35682031

网页更新

比如在这个网页的源码中，当右侧栏中的滚动条静止不动的时候，只有9篇文章即9个<li></li>标签对

image

现在当滚动条向下滑动的时候，li标签会自动更新

image

网页规律

针对ajax加载的网页，在右键—检查—Networks—XHR中查看：

image

通过headers获取一条URL地址：

image

这样我们就找到了整个爬取的URL地址，可以实现全网数据的爬取

爬取数据

导入库

import re
import requests
import pandas as pd
import csv
import jieba
import numpy as np
import matplotlib.pyplot as plt

# 绘图
import random

import plotly as py
import plotly_express as px
import plotly.graph_objects as go
import dash
import dash_core_components as dcc
import dash_html_components as html

# 显示所有列
# pd.set_option('display.max_columns', None)

# 显示所有行
# pd.set_option('display.max_rows', None)

# 设置value的显示长度为100，默认为50
# pd.set_option('max_colwidth',100)

获取网页内容

使用requests库获取网页内容

url = "https://www.js.com/u/635acc145?order_by=shared_at&page=1"
headers = {"User-Agent": "实际请求头"}

response = requests.get(url=url,headers=headers)   # 得到响应
res = response.content.decode('utf-8', 'ignore')  # 获取源码
result.append(res)

image

爬取单个字段

以name为例：

image

其他字段的正则表达式为：

abstract = re.findall('<p class="abstract">\s*(.*?)\n\s*</p>', result, re.S)
watch = re.findall('class="iconfont ic-list-read"></i>(.*?)\s</a>',result, re.S)  # \s匹配空白字符；\S匹配任意非空白字符
comment = re.findall('class="iconfont ic-list-comments"></i>(.*?)\s</a>',result, re.S) 
like = re.findall('class="iconfont ic-list-like"></i>(.*?)</span>',result, re.S)
time = re.findall('lass="time" data-shared-at=(.*?)></span>',result, re.S)

最好是检查每个字段每页的个数是否为9个：

image

时间的爬取到的只是具体的时间，不要年月日

image

全网爬取

URL地址和请求头需要进行更换

# from multiprocessing import Pool

import re
import requests
import pandas as pd
import csv
import jieba
import numpy as np
import matplotlib.pyplot as plt

# !!!注意with语句的位置，放在开头：防止属性字段的重复写入到数据中

# 写入文件
with open("jianshu.csv", "a", encoding="utf-8") as f:  # 将写入的模式改成"a"：表示追加模式
    writer =csv.DictWriter(f,fieldnames=["name","abstract","read","comment","like","time"])
    writer.writeheader()
        
    # url地址和请求头需要更换成实际内容
    for i in range(1,60):   # 爬取59页数据
        url = "https://www.js.com/u/6?shared_at&page={}".format(i)
        headers = {"User-Agent": "实际请求头"}

        response = requests.get(url=url,headers=headers)   # 得到响应
        res = response.content.decode('utf-8', 'ignore')

        name_list = re.findall('class="title" target="_blank".*?>(.*?)</a>',res, re.S)
        # \n：换行符；\s*：任意次数的空白；\.\.\.：匹配3个...
        abstract_list = re.findall('<p class="abstract">\s*(.*?)\n\s*</p>', res, re.S)
        # 单独写出匹配数字：{1}表示匹配1次；{1,}表示至少匹配1次
    #     masonry_list = re.findall(r'class="iconfont ic-paid1"></i>\s(\d{1,}.\d{1,}).*?</span>',res, re.S)
        read_list = re.findall('class="iconfont ic-list-read"></i>(.*?)\s</a>',res, re.S)  # \s匹配空白字符；\S匹配任意非空白字符
        comment_list = re.findall('class="iconfont ic-list-comments"></i>(.*?)\s</a>',res, re.S)
        like_list = re.findall('class="iconfont ic-list-like"></i>(.*?)</span>',res, re.S)
        time_list = re.findall('lass="time" data-shared-at=".*?T(.*?)\+.*?></span>',res, re.S)  

        result_list = []
        for j in range(len(name_list)):
            result = {
                "name": name_list[j],
                "abstract": abstract_list[j],
    #             "masonry": masonry_list[j],
                "read": read_list[j],
                "comment": comment_list[j],
                "like": like_list[j],
                "time": time_list[j]
            }

            result_list.append(result)
        writer.writerows(result_list)

数据处理

全网数据

通过上面的代码得到了全网的数据：

image

字段信息

image

time字段

排序

首先根据time字段进行排序

df_sort = df.sort_values("time")
print(df_sort.dtypes)

image

属性改变

解决的是将time字段的object数据类型改成和时间相关的。

后面发现：不用处理好像也可以正常处理time字段😭

image

散点图

横坐标是文章的名称name，纵坐标是发表的时间time，颜色是点赞次数like

fig = px.scatter(df_sort,x="name",y="time",color="like",height=900,width=1350)

app = dash.Dash()
app.layout = html.Div([
    dcc.Graph(figure=fig)
])

app.run_server()

image

time标记处理

处理规则

人为地将发表文章的时间分为4个阶段，并且用不同的数值表示：

零点-早上8点：1
早上8点-下午2点：2
下午2点-晚上8点：3
晚上8点-晚上12点：4

image

增加flag字段

增加一个新的字段flag来标记上述信息：

for i in range(len(df_sort)):
    if "00:00:00" <= df_sort.loc[i,"time"] < "08:00:00":
        df_sort.loc[i,"flag"] = 1
    elif "08:00:00" <= df_sort.loc[i,"time"] < "14:00:00":
        df_sort.loc[i,"flag"]= 2
    elif "14:00:00" <= df_sort.loc[i,"time"] < "20:00:00":
        df_sort.loc[i,"flag"] = 3
    else:
        df_sort.loc[i,"flag"] = 4

image

fig = px.scatter(df_sort,x="flag",y="time",color="flag",height=800,width=1350)

app = dash.Dash()
app.layout = html.Div([
    dcc.Graph(figure=fig)
])

app.run_server()

绘图

image

结论

通过上述图形可以看出来，在第4个阶段里面发表文章的概率是比较大的，说明大部分文章是晚上发表的：和实际情况也是符合的😃

read字段

数据信息

image

绘图

# 绘图

# 颜色的随机生成：#123456  # 加上6位数字构成
def random_color_generator(number_of_colors):
    color = ["#"+''.join([random.choice('0123456789ABCDEF') for j in range(6)])
                 for i in range(number_of_colors)]
    return color

text = read.values

trace = go.Bar(
    x = read.index,
    y = read.values,
    text = text,
    marker = dict(
        color = random_color_generator(232),
        line = dict(color='rgb(8, 48, 107)',   # 柱子的外围线条颜色和宽度
                    width = 1.5)
    ),
    opacity = 0.5   # 透明度设置
)

# 数据部分：一定是列表的形式
data = [trace]

# 布局设置
layout = go.Layout(
    title = 'Information of read',   # 整个图的标题
    margin = dict(
        l = 100   # 左边距离
    ),
    xaxis = dict(
        title = 'Number of reading'   # 2个轴的标题
    ),
    yaxis = dict(
        title = 'Count of the number of reading'
    ),
    width = 70000,  # figure的宽高
    height = 800
)

fig = go.Figure(data=data, layout=layout)

fig.update_traces(textposition="outside")   # 将每个占比显示出来，也就是y轴的值

fig.show()

image

comment字段

绘图

主要是对每篇文章的评论数量进行统计分析和制图

image

结论

从上面的饼图看出来：评论数为0的文章占据了绝大多数，接近90%；评论数为2的文章其次

还是很少人评论呀😭😭

like字段

数据

image

绘图

# 绘图

# 颜色的随机生成：#123456  # 加上6位数字构成
def random_color_generator(number_of_colors):
    color = ["#"+''.join([random.choice('0123456789ABCDEF') for j in range(6)])
                 for i in range(number_of_colors)]
    return color

trace = go.Bar(
    x = like_number.index,
    y = like_number.values,
    text = text,
    marker = dict(
        color = random_color_generator(100),
        line = dict(color='rgb(8, 48, 107)',   # 柱子的外围线条颜色和宽度
                    width = 1.5)
    ),
    opacity = 0.7   # 透明度设置
)

# 数据部分：一定是列表的形式
data = [trace]

# 布局设置
layout = go.Layout(
    title = 'Information of like',   # 整个图的标题
    margin = dict(
        l = 100   # 左边距离
    ),
    xaxis = dict(
        title = 'Number of like'   # 2个轴的标题
    ),
    yaxis = dict(
        title = 'Count of like'
    ),
    width = 900,  # figure的宽高
    height = 500
)

fig = go.Figure(data=data, layout=layout)

fig.update_traces(textposition="outside")   # 将每个占比显示出来，也就是y轴的值

fig.show()

image

结论

点赞1次的文章最多，2次的文章其次
最多的点赞次数是38次
居然还有一篇文章一个赞👍都没有😭

词性分析与词云图

处理的是文章标题字段name，分析标题中哪些出现的频率高，则作为重点学习的对象
主要是使用jieba分词与wordcloud制作词云图

Jieba词性分析

生成列表

image

实现分词

# 2-实现分词
    
for i in range(len(name_list)):
    seg_list = jieba.cut(name_list[i].strip(), cut_all=False)  # seg_list只是一个generator生成器：<class 'generator'>
    print(("Default Mode: " + "/ ".join(seg_list)))  #  用list方法展开

image

分词结果放入列表

# 3-将分词的结果全部放入一个列表中，方便后续处理

jieba_name = []

for i in range(len(name_list)):
    seg_list = jieba.cut(name_list[i].strip(), cut_all=False)  # seg_list只是一个generator生成器：<class 'generator'>
    for str in list(seg_list):   # 对list(seg_list)中的每个元素进行追加
        jieba_name.append(str)
        
jieba_name

image

将待处理的句子放入列表中
对列表中的每个句子分词
将上面步骤中的分词结果放入到另一个列表中，方便后续处理

jieba使用总结

将待处理的句子放入列表中
对列表中的每个句子分词
将上面步骤中的分词结果放入到另一个列表中，方便后续处理

Wordcloud词云图

绘图

from wordcloud import WordCloud
import matplotlib.pyplot as plt

text = " ".join(i for i in jieba_name)   # 待处理的字符串

# 先下载SimHei.ttf字体，放置到自己的某个目录下，然后将font换成自己的路径即可
font = r'/Users/piqianchao/Desktop/spider/SimHei.ttf' 

wc = WordCloud(collocations=False, font_path=font, # 路径
               max_words=2000,width=4000, 
               height=4000, margin=2).generate(text.lower())

plt.imshow(wc)
plt.axis("off")
plt.show()

wc.to_file('jianshu.png')  # 把词云保存下来

初步结果

image

图中的札记实在是扎眼呀😃

这是因为自己Python札记写了很多的原因；另外3个比较突出的词语：利用、进行、数据分析是因为自己看了《利用Python进行数据分析》这本书

进一步处理

删除几个无价值的信息之后再进行绘图，选择了一个背景图：

noUse = ["札记","利用","进行","打卡","笔记","学习"]

for col in noUse:
    while col in jieba_name:
        jieba_name.remove(col)

from os import path
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator

d = path.dirname('.')   # 在ide中使用这段代码
# d = path.dirname(__file__)

# 待处理的文件(去掉无效信息之后的)
text = " ".join(i for i in jieba_name)   

# read the mask / color image taken from
# http://jirkavinse.deviantart.com/art/quot-Real-Life-quot-Alice-282261010
alice_coloring = np.array(Image.open(path.join(d, "wordcloud.png")))

# 设置停用词
stopwords = set(STOPWORDS)
stopwords.add("said")

# 路径改成自己的
font = r'/Users/piqianchao/Desktop/spider/SimHei.ttf'    

# 你可以通过 mask 参数 来设置词云形状
wc = WordCloud(background_color="white", font_path=font,
               max_words=2000, mask=alice_coloring,
               height=6000,width=6000,
               stopwords=stopwords, max_font_size=40, random_state=42)

# generate word cloud
wc.generate(text)

# create coloring from image
image_colors = ImageColorGenerator(alice_coloring)

# show
# 在只设置mask的情况下,你将会得到一个拥有图片形状的词云
plt.imshow(wc, interpolation="bilinear")
plt.axis("off")
plt.show()
wc.to_file('jianshu_one.png')  # 把词云保存下来

# recolor wordcloud and show
# we could also give color_func=image_colors directly in the constructor
# 直接在构造函数中直接给颜色：通过这种方式词云将会按照给定的图片颜色布局生成字体颜色策略
plt.imshow(wc.recolor(color_func=image_colors), interpolation="bilinear")
plt.axis("off")
plt.show()
wc.to_file('jianshu_two.png')  # 把词云保存下来

image

结论

从上面优化后的图形中可以看出来：

Python是最突出的。的确如此，写的文章很多是关于Python的
数据分析是一个亮点：因为《利用Python进行数据分析》这本书，还有就是很多pandas的文章
MySQL也是另一个亮点：学习了很多数据库的知识，包含：MySQL、SQL、Sqlzoo、数据库等
机器一词是出自于机器学习中的，吴恩达老师带我入门的，学了很多的入门知识：吴恩达老师的视频、算法、数据结构等
深圳二字主要是因为到了深圳之后写了很多关于深圳的文章

数据还是非常准确的，很有参考价值👍数据不会说谎

简书之旅

周末美食

简书APP之旅

爬取内容

数据

网页结构

ajax网页

网页更新

网页规律

爬取数据

导入库

获取网页内容

爬取单个字段

全网爬取

数据处理

全网数据

字段信息

time字段

排序

属性改变

散点图

time标记处理

处理规则

增加flag字段

绘图

结论

read字段

数据信息

绘图

comment字段

绘图

结论

like字段

数据

绘图

结论

词性分析与词云图

Jieba词性分析

生成列表

实现分词

分词结果放入列表

jieba使用总结

Wordcloud词云图

绘图

初步结果

进一步处理

结论

猜你喜欢

热点阅读