欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

python爬取QQ空间说说并生成词云

程序员文章站 2022-04-26 08:29:06
...

以下是生成的词云图 python爬取QQ空间说说并生成词云

我的环境:Mac,Anaconda,Python2.7,以及各种用到的Python

先来说下Anaconda

Anaconda 是一个可用于科学计算的 Python 发行版,支持 Linux、Mac、Windows系统,内置了常用的科学计算包。它解决了官方 Python 的两大痛点。

  • 第一:提供了包管理功能,Windows 平台安装第三方包经常失败的场景得以解决,
  • 第二:提供环境管理的功能,功能类似 Virtualenv,解决了多版本Python并存、切换的问题。

conda 是 Anaconda 下用于包管理和环境管理的工具,功能上类似 pip 和 vitualenv 的组合。安装成功后 conda 会默认加入到环境变量中,因此可直接在命令行窗口运行命令 conda

conda 的环境管理与 virtualenv 是基本上是类似的操作。

# 查看帮助conda -h 
# 基于python3.6版本创建一个名字为python36的环境conda create --name python36 python=3.6 
# **此环境source activate python36 # linux/mac# 再来检查python版本,显示是 3.6python -V  # 退出当前环境source deactivate python36 
# 删除该环境conda remove -n python36 --all# 查看所以安装的环境conda info -e

conda 的包管理功能可 pip 是一样的,当然你选择 pip 来安装包也是没问题的。

# 安装 matplotlib conda install matplotlib# 查看已安装的包conda list 
# 包更新conda update matplotlib# 删除包conda remove matplotlib

在 conda 中 anything is a package。conda 本身可以看作是一个包,python 环境可以看作是一个包,anaconda 也可以看作是一个包,因此除了普通的第三方包支持更新之外,这3个包也支持。比如: Anaconda 的镜像地址默认在国外,用 conda 安装包的时候会很慢,目前可用的国内镜像源地址有清华大学的。修改 ~/.condarc (Linux/Mac)

channels:
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
 - defaults
show_channel_urls: true

如果使用conda安装包的时候还是很慢,那么可以考虑使用pip来安装,同样把 pip 的镜像源地址也改成国内的,豆瓣源速度比较快。修改 ~/.pip/pip.conf (Linux/Mac)

[global]trusted-host =  pypi.douban.comindex-url = http://pypi.douban.com/simple

环境搭建好之后就可以开始愉快地玩数据分析了。

爬取动态内容

  1. 因为动态页面的内容是动态加载出来的,所以我们需要不断下滑,加载页面
  2. 切换到当前内容的frame中,也有可能不是frame,这里需要查看具体情况
  3. 获取页面源数据,然后放入xpath中,然后读取
  # 下拉滚动条,使浏览器加载出动态加载的内容,
  # 我这里是从1开始到6结束 分5 次加载完每页数据
        for i in range(1,6):
            height = 20000*i#每次滑动20000像素
            strWord = "window.scrollBy(0,"+str(height)+")"
            driver.execute_script(strWord)
            time.sleep(4)        # 很多时候网页由多个<frame>或<iframe>组成,webdriver默认定位的是最外层的frame,
        # 所以这里需要选中一下说说所在的frame,否则找不到下面需要的网页元素
        driver.switch_to.frame("app_canvas_frame")
        selector = etree.HTML(driver.page_source)
        divs = selector.xpath('//*[@id="msgList"]/li/div[3]')

生成词云

生成词云需要用到的库:

  1. wordcloud, 生成词云
  2. matplotlib, 生成词云图片
  3. jieba,显示中文。
#coding:utf-8from wordcloud import WordCloudimport matplotlib.pyplot as pltimport jieba#生成词云def create_word_cloud(filename):
    text= open("{}.txt".format(filename)).read()    # 结巴分词
    wordlist = jieba.cut(text, cut_all=True)
    wl = " ".join(wordlist)    # 设置词云
    wc = WordCloud(        # 设置背景颜色
       background_color="white",         # 设置最大显示的词云数
       max_words=2000,         # 这种字体都在电脑字体中,一般路径
       font_path='/System/Library/Fonts/PingFang.ttc',
       height= 1200,
       width= 1600,        # 设置字体最大值
       max_font_size=100,     # 设置有多少种随机生成状态,即有多少种配色方案
       random_state=30,
    )

    myword = wc.generate(wl)  # 生成词云
    # 展示词云图
    plt.imshow(myword)
    plt.axis("off")
    plt.show()
    wc.to_file('py_book.png')  # 把词云保存下if __name__ == '__main__':
    create_word_cloud('qq_word')

所有完整代码已放github

github地址https://github.com/Jimmy9876/QZone_spider

http://www.aibbt.com/a/22275.html