Python爬取微博資料生成詞雲圖片

劉志軍發表於2017-08-29
Python

很早之前寫過一篇怎麼利用微博資料製作詞雲圖片出來，之前的寫得不完整，而且只能使用自己的資料，現在重新整理了一下，任何人的微博資料都可以製作出來，即使是Python小白也能分分鐘做出來。

準備工作

本環境基於Python3，理論上Python2.7也是可行的，先安裝必要的第三方依賴包：

# requirement.txt
jieba==0.38
matplotlib==2.0.2
numpy==1.13.1
pyparsing==2.2.0
requests==2.18.4
scipy==0.19.1
wordcloud==1.3.1複製程式碼

requirement.txt檔案中包含上面的幾個依賴包，如果用pip方式安裝失敗，推薦使用Anaconda安裝

pip install -r requirement.txt複製程式碼

第一步：分析網址

開啟微博移動端網址 m.weibo.cn/searchs ，找到女神的微博ID，進入她的微博主頁，分析瀏覽器傳送請求的過程

開啟 Chrome 瀏覽器的除錯功能，選擇 Network 選單，觀察到獲取微博資料的的介面是 m.weibo.cn/api/contain… ，後面附帶了一連串的引數，這裡面有些引數是根據使用者變化的，有些是固定的，先提取出來。

uid=1192515960&
luicode=10000011&
lfid=100103type%3D3%26q%3D%E6%9D%8E%E5%86%B0%E5%86%B0&
featurecode=20000320&
type=user&
containerid=1076031192515960複製程式碼

再來分析介面的返回結果，返回資料是一個JSON字典結構，total 是微博總條數，每一條具體的微博內容封裝在 cards 陣列中，具體內容欄位是裡面的 text 欄位。很多干擾資訊已隱去。

{
    "cardlistInfo": {
        "containerid": "1076031192515960",
        "total": 4754,
        "page": 2
    },
    "cards": [
        {
            "card_type": 9,
            "mblog": {
                "created_at": "08-26",
                "idstr": "4145069944506080",
                "text": "瑞士一日遊圓滿結束...",
            }
        }]
}複製程式碼

第二步：構建請求頭和查詢引數

分析完網頁後，我們開始用 requests 模擬瀏覽器構造爬蟲獲取資料，因為這裡獲取使用者的資料無需登入微博，所以我們不需要構造 cookie資訊，只需要基本的請求頭即可，具體需要哪些頭資訊也可以從瀏覽器中獲取，首先構造必須要的請求引數，包括請求頭和查詢引數。

headers = {
    "Host": "m.weibo.cn",
    "Referer": "https://m.weibo.cn/u/1705822647",
    "User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 9_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) "
                  "Version/9.0 Mobile/13B143 Safari/601.1",
}

params = {"uid": "{uid}",
          "luicode": "20000174",
          "featurecode": "20000320",
          "type": "uid",
          "value": "1705822647",
          "containerid": "{containerid}",
          "page": "{page}"}複製程式碼
  • uid是微博使用者的id
  • containerid雖然不什麼意思，但也是和具體某個使用者相關的引數
  • page 分頁引數

第三步：構造簡單爬蟲

通過返回的資料能查詢到總微博條數 total，爬取資料直接利用 requests 提供的方法把 json 資料轉換成 Python 字典物件，從中提取出所有的 text 欄位的值並放到 blogs 列表中，提取文字之前進行簡單過濾，去掉無用資訊。順便把資料寫入檔案，方便下次轉換時不再重複爬取。

def fetch_data(uid=None, container_id=None):
    """
    抓取資料，並儲存到CSV檔案中
    :return:
    """
    page = 0
    total = 4754
    blogs = []
    for i in range(0, total // 10):
        params['uid'] = uid
        params['page'] = str(page)
        params['containerid'] = container_id
        res = requests.get(url, params=params, headers=HEADERS)
        cards = res.json().get("cards")

        for card in cards:
            # 每條微博的正文內容
            if card.get("card_type") == 9:
                text = card.get("mblog").get("text")
                text = clean_html(text)
                blogs.append(text)
        page += 1
        print("抓取第{page}頁，目前總共抓取了 {count} 條微博".format(page=page, count=len(blogs)))
        with codecs.open('weibo1.txt', 'w', encoding='utf-8') as f:
            f.write("\n".join(blogs))複製程式碼

第四步：分詞處理並構建詞雲

爬蟲了所有資料之後，先進行分詞，這裡用的是結巴分詞，按照中文語境將句子進行分詞處理，分詞過程中過濾掉停止詞，處理完之後找一張參照圖，然後根據參照圖通過詞語拼裝成圖。

def generate_image():
    data = []
    jieba.analyse.set_stop_words("./stopwords.txt")

    with codecs.open("weibo1.txt", 'r', encoding="utf-8") as f:
        for text in f.readlines():
            data.extend(jieba.analyse.extract_tags(text, topK=20))
        data = " ".join(data)
        mask_img = imread('./52f90c9a5131c.jpg', flatten=True)
        wordcloud = WordCloud(
            font_path='msyh.ttc',
            background_color='white',
            mask=mask_img
        ).generate(data)
        plt.imshow(wordcloud.recolor(color_func=grey_color_func, random_state=3),
                   interpolation="bilinear")
        plt.axis('off')
        plt.savefig('./heart2.jpg', dpi=1600)複製程式碼

這是原圖：

最終效果圖：

完整程式碼可以在公眾號（Python之禪）回覆“qixi”獲取

公眾號：Python之禪
公眾號：Python之禪

相關文章