用Python爬取微博数据生成词云图片

21CTO

资讯 0 2916 2017-09-03 12:02:00

很早前写过一篇怎么利用微博数据制作词云图片出来，之前的写得不完整，而且只能使用自己的数据，现在重新整理了一下，任何的微博数据都可以制作出来，放在今天应该比较应景。

本文教你怎么用Python快速创建出有心意词云，即使是Python小白也能分分钟做出来。

准备工作

本环境基于Python3，理论上Python2.7也是可行的，先安装必要的第三方依赖包：

# 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

requirement.txt文件中包含上面的几个依赖包，如果用pip方式安装失败，推荐使用Anaconda安装

pip install -r requirement.txt

第一步：分析网址

打开微博移动端网址 https://m.weibo.cn/searchs ，找到女神的微博ID，进入她的微博主页，分析浏览器发送请求的过程

打开 Chrome 浏览器的调试功能，选择 Network 菜单，观察到获取微博数据的的接口是 https://m.weibo.cn/api/container/getIndex ，后面附带了一连串的参数，这里面有些参数是根据用户变化的，有些是固定的，先提取出来。

uid=1192515960&

luicode=10000011&

lfid=100103type%3D3%26q%3D%E6%9D%8E%E5%86%B0%E5%86%B0&

featurecode=20000320&

type=user&

containerid=1076031192515960

再来分析接口的返回结果，返回数据是一个JSON字典结构，total 是微博总条数，每一条具体的微博内容封装在 cards 数组中，具体内容字段是里面的 text 字段。很多干扰信息已隐去。

{

    "cardlistInfo": {

        "containerid": "1076031192515960",

        "total": 4754,

        "page": 2

    },

    "cards": [

        {

            "card_type": 9,

            "mblog": {

                "created_at": "08-26",

                "idstr": "4145069944506080",

                "text": "瑞士一日游圆满结束...",

            }

        }]

}

第二步：构建请求头和查询参数

分析完网页后，我们开始用 requests 模拟浏览器构造爬虫获取数据，因为这里获取用户的数据无需登录微博，所以我们不需要构造 cookie信息，只需要基本的请求头即可，具体需要哪些头信息也可以从浏览器中获取，首先构造必须要的请求参数，包括请求头和查询参数。

headers = {

    "Host": "m.weibo.cn",

    "Referer": "[url=https://m.weibo.cn/u/1705822647%22]https://m.weibo.cn/u/1705822647"[/url],

    "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}"}

uid是微博用户的id，

containerid虽然不什么意思，但也是和具体某个用户相关的参数
page 分页参数

第三步：构造简单爬虫

通过返回的数据能查询到总微博条数 total，爬取数据直接利用 requests 提供的方法把 json 数据转换成 Python 字典对象，从中提取出所有的 text 字段的值并放到 blogs 列表中，提取文本之前进行简单过滤，去掉无用信息。顺便把数据写入文件，方便下次转换时不再重复爬取。

def fetch_data(uid=None, container_id=None):

    """

    抓取数据，并保存到CSV文件中

    :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:

            # 每条微博的正文内容

            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}页，目前总共抓取了 {count} 条微博".format(page=page, count=len(blogs)))

        with codecs.open('weibo1.txt', 'w', encoding='utf-8') as f:

            f.write("\n".join(blogs))

第四步：分词处理并构建词云

爬虫了所有数据之后，先进行分词，这里用的是结巴分词，按照中文语境将句子进行分词处理，分词过程中过滤掉停止词，处理完之后找一张参照图，然后根据参照图通过词语拼装成图。

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)