python分析微博粉丝_python数据分析微博热门
接上篇,这一篇将从技术层面讲讲是如何实现的。阅读本文您将会了解如何用python爬取微博的评论以及如何用python word_cloud库进行数据可视化。
准备工作
为什么要用m站地址?因为m站可以直接抓取到api json数据,而pc站虽然也有api返回的是html,相比而言选取m站会省去很多麻烦
打开该页面,并且用chrome 的检查工具 查看network,可以获取到评论的api地址。
数据抓取
首先观察api返回
从返回地址上可以看到可以通过参数page 改变请求的页码,并且每页都回返回总条数和总页码数。这里我决定采用多线程来抓去(其实数据量不大,也可以单线程跑)。
其中在爬取数据的时候会面临几个问题:
1.存储选择
我这里选用了MongoDB作为数据存储,因为api通常返回的是json数据而json结构和MongoDB的存储方式可以结合的很默契,不需要经过任何处理可以直接的进行插入。
2.防爬虫
很多网站可能会做一些防爬虫的处理,面对同一个请求ip的短时间的高频率请求会进行服务隔断(直接告诉你服务不可用),这个时候可以去网上找一些代理进行请求。
3.多线程的任务分配
采用多线程爬取你当然不能让多个线程去爬取同样的链接做别人已经做过的事情,那样多线程毫无意义。所以你需要制定一套规则,让不同线程爬取不同的链接。
# coding=utf-8
from __future__ import division
from pymongo import MongoClient
import requests
import sys
import re
import random
import time
import logging
import threading
import json
from os import path
import math
# 爬取微博评论
# m站微博地址
weibo_url = 'https://m.weibo.cn/status/4132385564040383'
thread_nums = 5 #线程数
#代理地址
proxies = {
"http": "http://171.92.4.67:9000",
"http": "http://163.125.222.240:8118",
"http": "http://121.232.145.251:9000",
"http": "http://121.232.147.247:9000",
}
# 创建 日志 对象
logger = logging.getLogger()
handler = logging.StreamHandler()
formatter = logging.Formatter(
'%(asctime)s %(name)-12s %(levelname)-8s %(message)s')
handler.setFormatter(formatter)
logger.addHandler(handler)
logger.setLevel(logging.DEBUG)
mongoconn = MongoClient('127.0.0.1', 27017)
mdb = mongoconn.data_analysis
das_collection = mdb.weibo
weiboid_reobj = re.match(r'.*status/(\d+)', weibo_url)
weibo_id = weiboid_reobj.group(1)
def scrapy_comments(weibo_id, page):
weibo_comment_url = 'https://m.weibo.cn/api/comments/show?id=%s&page=%d' % (
weibo_id, page)
res = requests.get(weibo_comment_url)
res_obj = json.loads(res.content)
return res_obj
def import_comments(threadName, weibo_id, page_start, page_end):
logger.info('开始线程:%s' % threadName)
for page in range(page_start, page_end + 1):
logging.info('读取第%s页' % page)
time.sleep(1)
# continue
try:
res_obj = scrapy_comments(weibo_id, page)
logging.info('该页有%s条记录' % len(res_obj['data']))
except:
logging.error('读取%s页时发生错误' % page)
continue
if res_obj['ok'] == 1:
comments = res_obj['data']
for comment in comments:
comment_text = re.sub(
r'?\w+[^>]*>', '', comment['text']).encode('utf-8')
if re.search(r'回复@.*:', comment_text):
# 过滤掉回复别人的评论
continue
comment['text'] = comment_text
comment['weibo_id'] = weibo_id
logging.info('读取评论:%s' % comment['id'])
try:
if das_collection.find_one({'id': comment['id']}):
logging.info('在mongodb中存在')
else:
logging.info('插入记录:%s' % comment['id'])
das_collection.insert_one(comment)
except:
logging.error('mongodb发生错误')
else:
logging.error('读取第%s页时发生错误' % page)
logging.info('线程%s结束' % threadName)
# res_obj = scrapy_comments(weibo_id, page)
if __name__ == '__main__':
# 分配不同链接到不同的线程上去
res_obj = scrapy_comments(weibo_id, 1)
if res_obj['ok'] == 1:
total_number = res_obj['total_number']
logging.info('该条微博有:%s条评论' % total_number)
max_page = res_obj['max']
page_nums = math.ceil(max_page / thread_nums)
else:
raise
# print max_page
# print page_nums
for i in range(1, thread_nums + 1):
if i < thread_nums:
page_end = page_nums * i
else:
page_end = max_page
page_start = (i - 1) * page_nums + 1
t = threading.Thread(target=import_comments, args=(
i, weibo_id, int(page_start), int(page_end)))
t.start()
数据整理可视化(data visualization)
运行脚本完毕,我的MongoDB得到了2万多条评论数据,接下来要做的事是对这部分数据进行提取、清洗、结构化等操作。这里顺便说明一下python 数据分析的 大致基本流程。
1.与外界进行交互
这个过程包括数据的获取、读取。不管是从网络资源上爬取、还是从现有资源(各样的文件如文本、excel、数据库存储对象)
2.准备工作
对数据进行清洗(cleaning)、修整(munging)、整合(combining)、规范化(normalizing)、重塑(reshaping)、切片(slicing)和切块(dicing)
3.转换
对数据集做一些数学和统计运算产生新的数据集
4.建模和计算
将数据跟统计模型、机器学习算法或其他计算工具联系起来
5.展示
创建交互式的或静态的图片或文字摘要
下面我们来进行2、3及5的工作:
# coding=utf-8
import sys
from pymongo import MongoClient
import random
# 分词库
# from snownlp import SnowNLP
import jieba
import uniout
from collections import Counter, OrderedDict
# 词语云 文本统计可视化库
from wordcloud import WordCloud
mongoconn = MongoClient('127.0.0.1', 27017)
mdb = mongoconn.data_analysis
das_collection = mdb.weibo
total_counts = das_collection.find().count()
# random_int = random.randint(0, total_counts - 1)
docs = das_collection.find()
print docs.count()
words_counts = {}
for doc in docs:
print doc
comment_text = doc['text'].encode('utf-8')
if len(comment_text) == 0:
continue
words = jieba.cut(comment_text)
for word in words:
if word not in words_counts:
words_counts[word] = 1
else:
words_counts[word] += 1
for word in words_counts.keys():
if words_counts[word] < 2 or len(word) < 2:
del words_counts[word]
# print words_counts.items()
#注意要让中文不乱码要指定中文字体
#fit_words 接收参数是dict eg:{'你':333,'好':23} 文字:出现次数
wordcloud = WordCloud(
font_path='/Users/cwp/font/msyh.ttf',
background_color='white',
width=1200,
height=1000
).fit_words(words_counts)
import matplotlib.pyplot as plt
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.show()
介绍下以上代码:
我们主要用到了2个工具,jieba和word_cloud。前者对中文进行分词后者图形化展示词语的出现频率。
众所周知,中文系的语言处理恐怕是最难的自然语言处理(NLP)的语种。就基本的分词而言都是一项比较困难的工作,(英语句子中每个单词都是有空格分开的,而中文是由单个字组成词连接成串组成句).
举个例子,请用“孩提”造句,"那个男孩提交完代码就下班了"。如果人工分词,可以知道"男孩"和"提交"应该是分开的2个词,但是对于机器而言,要辨别"提"应该与"男"还是"交"进行组词就很难办了。要想机器能够更精确的辨别这类问题,就需要让机器不停学习,让它知道这种情况该这么分而不是那么分。研究中文自然语言处理将是一个长久而大的工程,对于分析数据(我们不是要研究自然语言处理
python分析微博粉丝_python数据分析微博热门相关推荐
- python分析数据走势_Python数据分析及可视化实例之个股走势预测(26)
1.项目背景: 仅仅用来练手,个股走势如果真预测准确了,都就改行当操盘手了,哈哈! 但话又说回来,如果把数据曲线特征提取出来,再进行对比异常判断,也是可以的. 数据源,请关注微信公众号:海豹战队,回复 ...
- python分析数据走势_python数据分析应用 - 近5年八类资产价格走势分析
最近发现PYTHON与TABLEAU的组合简直就是我们数据分析爱好者的绝佳工具组合.最近对大类资产配置这个问题产生了较大的兴趣,笔者就使用python作为数据获取.数据处理的工具,同时采用tablea ...
- python分析数据图片_python数据分析常用图大集合
以下默认所有的操作都先导入了numpy.pandas.matplotlib.seaborn import numpy as np import pandas as pd import matplotl ...
- python新浪微博数据分析_python数据分析微博热门
接上篇,这一篇将从技术层面讲讲是如何实现的.阅读本文您将会了解如何用python爬取微博的评论以及如何用python word_cloud库进行数据可视化. 准备工作 为什么要用m站地址?因为m站可以 ...
- python qq群消息监控_python 监控微博用户更新+钉钉提醒
[Python] 纯文本查看 复制代码''' Function: 微博监控.钉钉提醒 业务流程说明: 登录微博--> 获取关注的用户列表--> 选择要关注的用户 --> sessio ...
- python pd Series 添加行_Python数据分析与挖掘的常用工具
Python语言:简要概括一下Python语言在数据分析.挖掘场景中常用特性: 列表(可以被修改),元组(不可以被修改) 字典(结构) 集合(同数学概念上的集合) 函数式编程(主要由lambda(). ...
- python分析微博粉丝_python爬虫,对粉丝夺宝的一次数据分析
新浪微博不久前出了一个类似网易一元多宝的产品.许多人质疑,那些中大奖的人都是新浪请的托,具体是不是我也不知道,所以呢,我觉得有必要找到所有中奖用户. 首先,看这个URL:http://1.weibo. ...
- 用python分析了30万条微博评论,毕业生与翟天临的爱恨情仇
我将带着北京电影学院表演系的精神伴随我一生的演艺事业! --翟天临硕士论文致谢辞 2019年5月27日凌晨,翟天临又上了热搜. 这次的热搜绝对不是买的,因为实时搜索微博"翟天临"广 ...
- python分析股票数据_Python数据可视化——股票数据分析
1.背景 GAFATA,它表示的是GOOGLE,AMAZON,FACEBOOK,APPLE,TENCENT,ALIBABA这六家互联网巨头的首字母缩写.本文主要分析GAFATA这六家公司股票近一年的的 ...
最新文章
- 学界 | 史上最强GAN图像生成器,Inception分数提高两倍
- scala元组的创建入门实例
- 微信小程序的点击复制功能
- homebrew install php53
- [NOI2007] 货币兑换 (dp+李超树维护凸包)
- java界面编程 pdf_java – PDF页面使用itext重新排序
- 在 Windows 上进行 Laravel Homestead 安装、配置及测试
- 十六、K8s安全管理与资源限制
- 【数据、软件共享】年鉴,夜间灯光,土地数据(永久更新)
- vue脚手架实现选项卡_从零一步步实现一个前端脚手架
- 智力问答选择题_智力问答:智力题大全及答案
- 方舟代码_源代码丢失的方舟
- 如何用SOLIDWORKS实现文字雕刻?来试试这样做!
- C++检测平面内两个三角形是否相交(逻辑清晰,手撕精简版)
- 单片机流水灯工作原理
- 【微信小程序】发布流程及发布审核时如何提供测试账号?
- 面对恐惧和压力,你是怎么做的?
- 高性能风控数据平台设计
- python--numpy模块、spicy模块、 matplotlib模块
- LiDAR 5 相控阵激光雷达 (OPA LiDAR)
热门文章
- Python语言课程设计名片管理系统
- (windows)如何删除删不掉的文件
- Linux _PM_OPS
- java获取环境变量路径/java获取环境变量和系统属性
- 【Unity3D】HighlightingSystem3D物体边缘高亮效果使用教程
- 快手国际版Kwai测试海外电商直播,社交App的尽头是直播电商?
- Django搭建简单网站
- 美通企业日报 | 阿迪达斯和碧昂丝达成标志性合作;万豪国际公布亚太区2020年发展愿景...
- bulk of the 用法_初中英语语法总结:冠词用法详解
- 晨风机器人插件编辑器_晨风机器人文本编辑器使用方法