利用python爬虫抓取虎扑PUBG论坛帖子并制作词云图

作为一个PUBG迷，刷论坛是每天必不可少的事，上面有很多技术贴和职业比赛的帖子，突发奇想，想知道论坛里谈论最多的是什么，便做了一个爬虫爬取了论坛上最新的帖子标题和部分回复，然后利用jieba与wordcloud进行分词然后做了一个词云图。

爬虫的构建与数据的爬取

首先导入制作爬虫需要的包：

from bs4 import BeautifulSoup
import requests
import pandas as pd
import chardet
import numpy as np

生成爬虫的函数：

'''
creat beautifulsoup
'''
def creat_bs(url):result = requests.get(url)e=chardet.detect(result.content)['encoding']#set the code of request object to the webpage's coderesult.encoding=ec = result.contentsoup=BeautifulSoup(c,'lxml')return soup

这里利用了chardet.detect自动检测所获取网页内容的编码并转化，防止request识别错误。

接着构建所要获取网页的集合函数：

'''
build urls group
'''
def build_urls(prefix,suffix):urls=[]for item in suffix:url=prefix+itemurls.append(url)return urls

接下来便可以开始获取论坛帖子标题与帖子链接，首先观察一下PUBG论坛首页的html代码：

可以看到我们要爬取的帖子标题所在的<b></b>标签，但是html的常识告诉我，这个标签表示加粗，从左边的网页显示也可以看出字体被加粗了。我们再往下看：

没有加粗的标题并没有<b></b>标签。看清了网页的代码，便可以开始编写爬虫了：

'''
acquire all the page titles and links and save it
'''
def find_title_link(soup):titles=[]links=[]try:contanier=soup.find('div',{'class':'container_padd'})ajaxtable=contanier.find('form',{'id':'ajaxtable'})page_list=ajaxtable.find_all('li')for page in page_list:titlelink=page.find('a',{'class':'truetit'})if titlelink.text==None:                   title=titlelink.find('b').textelse:title=titlelink.textif np.random.uniform(0,1)>0.90:link=titlelink.get('href')titles.append(title)links.append(link)except:print 'have none value'return titles,links

首先寻找未加粗标题，如果没有标题，则寻找加粗标题。另外由于帖子数量太多，便按10%的概率储存帖子地址。为了避免未搜寻到标签等异常产生，使用了try-except忽略所有异常。

接着，编写爬取回复的函数，同样，先看看网页代码构架：

可以看到，主楼是由<div></div>并且class='floor'的标签所包含，但其id='tpc'，而普通回复是由同样的标签包含，但其id为回复用户的编码。由于爬取主楼出现一些奇怪的错误，最后决定就不爬取主楼只爬取回复：


'''
acquire reply in every topic of 10 page
'''
def find_reply(soup):replys=[]try:details=soup.find('div',{'class':'hp-wrap details'})form=details.find('form')floors=form.find_all('div',{'class':'floor'})for floor in floors:table=floor.find('table',{'class':'case'})if floor.id!='tpc':if table.find('p')!=None:reply=table.find('p').textelse:reply=table.find('td').textreplys.append(reply)elif floor.id=='tpc':continueexcept:return Nonereturn replys

构建完函数后，便可以开始爬取数据了，首先创建爬取页面的url集合，这次我选择了前30页贴子进行爬取：

'''
acquire information from hupu pubg bbs
'''
url='https://bbs.hupu.com/pubg'
page_suffix=['','-2','-3','-4','-5','-6','-7','-8','-9','-10','-11','-12',
'-13','-14','-15','-16','-17','-18','-19','-20','-21','-22','-23','-24',
'-25','-26','-27','-28','-29','-30']
urls=build_urls(url,page_suffix)

爬取标题与链接：

title_group=[]
link_group=[]
for url in urls:soup=creat_bs(url)titles,links=find_title_link(soup)for title in titles:title_group.append(title)for link in links:link_group.append(link)

接着爬取所选帖子的第一页回复：

reply_urls=build_urls('https://bbs.hupu.com',link_group)
reply_group=[]
for url in reply_urls:soup=creat_bs(url)    replys=find_reply(soup)if replys!=None:for reply in replys:reply_group.append(reply)

爬取完毕后，综合所有数据并保存：

'''
creat wordlist and save as txt
'''
wordlist=str()
for title in title_group:wordlist+=titlefor reply in reply_group:wordlist+=replydef savetxt(wordlist):f=open('wordlist.txt','wb')f.write(wordlist.encode('utf8'))f.close()
savetxt(wordlist)

由于使用beautifulsoup解析网页内容时会自动将数据转码成unicode形式，所以如果是中文网页在输出时要转码成utf-8，不然就是乱码了。
好了，网页爬取部分已经完成，接下来就可以开始词云图的制作了。

词云图的制作

首先我们使用第三方库jieba进行中文的分词。导入jieba包：

'''
using jieba to splice words in title group
'''
import jieba

为了使其分词更加准确，我们可以导入自己设置的分词词典，尤其是在论坛的回复中，经常会有一些别称或者俗语等，利用普通的分词规则很难准确区分，这时自制的分词词典就很有用了：

jieba.load_userdict('user_dict.txt')

可以看看我设置的词典，由于时间关系，只是写了一些印象深刻的词：

后面的数字代表词频，虽然我也不知道具体是什么意思，就随便设置了数字。

接着进行分词：

wordlist_af_jieba=jieba.cut_for_search(wordlist)
wl_space_split=' '.join(wordlist_af_jieba)

分词完后，便可以开始制作词云图了，导入所需包:

from wordcloud import WordCloud,STOPWORDS
import matplotlib.pyplot as plt

首先设置停止词，去掉一些连词或者语气词等，这里我们可以上网下载中文常用停止词词典：

stopwords=set(STOPWORDS)
fstop=open('stopwords.txt','r')
for eachWord in fstop:stopwords.add(eachWord.decode('utf-8'))

最后，制作词云图：


wc=WordCloud(font_path=r'C:\Windows\Fonts\STHUPO.ttf', background_color='black',max_words=200,width=700,height=1000,stopwords=stopwords,max_font_size=100,random_state=30)
wc.generate(wl_space_split)
wc.to_file('hupu_pubg2.png')
plt.imshow(wc,interpolation='bilinear')
plt.axis('off')

由于是中文，我们需要使用font_path设置中文可用的字体。max_words设置显示的最大词数，max_font_size设置词最大的大小，random_state设置颜色的随机程度。

输出图像：

还不错，从图像中可以看到游戏名当之无愧成了高频词汇，还有包括4AM战队，PCPI比赛，加速器，决赛圈等热词。但是很遗憾不知道是因为中文分词的原因还是词云图制作的原因，所有和数字有关的词全都被剔除了，所以少了很多和17有关的热词。具体原因还有待挖掘。