Python爬虫：爬取网络流行词制作词云

导入：

最近突然觉得，在生活中可以看到很多与词云类似的图片，（不知道是不是我的个性化广告，哈哈哈）总之，闲来无事，自己也写一个代码来生成词云。
用什么数据来生成呢？再三回忆，突然想起了之前有一个网络流行词的网站： 小鸡词典

里面不仅有热词，还有对应的解释，以及点赞数，这次的主要目的不是爬虫而是词云，所以我会用点赞数来作为对应热词的值。

分析及代码：

首先打开网站首页用开发者工具抓包并构造请求头：

header = {'Host': 'jikipedia.com','Connection': 'keep-alive','Origin': 'https://jikipedia.com','Referer': 'https://jikipedia.com/','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36',
}

经过查看源码可以看到，初次打开网页时会默认加载 20 条数据。也就是 20 个流行词，仅仅20条数据怎么够，于是我们要先研究一下其余的数据是怎么加载的。

当我们向下滑动鼠标滚轮时发现，出现了以下的提示：到这里我们就不能再滑动了，但是当我们 登上账号 后就可以看到，我们可以永无止境的向下滑动，而且每次都是加载 20 条数据。

最开始我还以为当我们向下滑动时，会再次请求一个链接，类似于翻页操作，这就很简单了啊。
虽然当我去检查抓包时，确实发现了如下图的数据，的确是重新请求了一个链接，不过这里又出现了问题：

我们可以看到，浏览器先发送一个 OPTIONS 请求，得到回复：Message: {“title”:“OPTIONS”,“content”:“收到了OPTIONS请求”} 后再次向同一个网址发送了一个 POST 请求。这才得到了新加载的 20 条数据。

到这里，我们是否还需了解一下 OPTIONS ¹ 请求？
其实啊，完全不用，这里有个特殊情况：细心的你应该会发现，该网站是基于大数据的，会自动给你推送流行词，所以每一次请求主页都会得到不同的 20 条数据。
这下我们就只需要写出如何抓取主页的 20 条数据就行了。

注意项：

由于要进行模拟登录，所以还要添加请求头 ‘Cookies’ 字段。
由于要多次请求网页，所以将请求连接写成函数。
由于有些流行词才刚发布，点赞数为0，但是在网页中它是以 ‘ ’（空格）的形式存在的，所以一旦遇到这种情况要将 ‘ ’（空格）改为 0。

def request(url):try:proxies = {'http': random.choice(proxy)}r = requests.get(url=url, headers=header, proxies=proxies)r.raise_for_status()r.encoding = 'utf-8'return rexcept:print("请求失败！")def fun(url):likes = []html = request(num2, url).textwords = parsel.Selector(html).xpath('//a[@class="card-content"]//strong/text()').extract()like_html = parsel.Selector(html).xpath('//div[@class="like button hoverable"]').extract()for li in like_html:like = parsel.Selector(li).xpath('//div/text()').extract()[-1]if like != ' ':  likes.append(like)else:likes.append(0)for num in range(20):data[words[num]] = int(likes[num])

画词云:

基本功能都已经实现，虽然还是有一点小调整，但是我要留在后面来说为什么。
数据现在已经有了，接下来就是画词云了：
首先导入画词云所需要的模块：

import numpy
import wordcloud
import matplotlib.pyplot as plt

wordcloud 模块只负责生成词云的数据
matplotlib 的 pyplot 类才负责把词云画出来
安装时只需要输入命令： pip install wordcloud ,它会自动将两个模块都安装好。（wordcloud 模块依赖于 matplotlib 模块）

写出关键代码：（详注解）

def draw():mask1 = numpy.array(PIL.Image.open('./Desktop/123.jpg')) #词云形状目录wcloud = wordcloud.WordCloud(background_color='white', mask=mask1, font_path='‪C:/Windows/Fonts/STXINGKA.TTF') #创建了一个词云（不支持中文,指定字体，不然就是乱码（））wcloud.generate_from_frequencies(frequencies=data) #以频率（点赞数）为标准生成词云plt.figure(dpi=1200)  plt.imshow(wcloud, interpolation='bilinear') # 显示内容 （bilinear 点阵方式：二维）plt.axis('off')  #关闭坐标显示plt.show()  #显示

选用以下图片作为模型，可以画出一个和开篇一样的爱心词云。

由于该网站的反爬机制，会封掉短时间内频繁访问的 IP （起码不是人的速度）和当前登录的账号，导致以后即使更换了 IP 登上账号以后还是不能访问该网站。
所以在请求代码的位置尽量多休眠几秒。
如果每次请求都要休眠几秒钟，那我请求 100 次呢？1000 次呢？… 总不可能为了用多一点的数据来画词云，就要在电脑前一直等着吧！
所以我使用了一个告警系统，可以通过微信来提示我的词云生成情况：成功或某一次请求失败！

def warning(num1, flag=1):  # 0  失败    1  成功par = {"num": str(num1)}if flag == 1:temp = '477464252017283072'  //成功时的匹配码else:temp = '477464742239145984'    //失败时的匹配码Parameters = {       //告警参数'secretKey': '********************************','appCode': '477462730265071616','templateCode': temp,'params': quote(str(par))}URL = 'https://api.*******.com/api/alarm'r = requests.get(URL, params=Parameters)print(r.text)

源码及结果：

import PIL
import time
import numpy
import tqdm
import random
import parsel
import requests
import wordcloud
import matplotlib.pyplot as plt
from urllib.parse import quoteheader = {'Host': 'jikipedia.com','Connection': 'keep-alive','Origin': 'https://jikipedia.com','Referer': 'https://jikipedia.com/','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36','Cookie': '填写自己的 Cookies '
}
proxy = ['HTTP://106.42.216.132:9999', 'HTTP://115.221.242.206:9999', 'HTTP://163.204.245.77:9999','HTTP://125.110.93.8:9000', 'HTTP://175.43.59.50:9999', 'HTTP://120.83.99.101:9999','HTTP://171.11.178.229:9999', 'HTTP://123.169.168.66:9999', 'HTTP://122.4.43.151:9999','HTTP://122.243.8.64:9000', 'HTTP://1.197.204.239:9999', 'HTTP://163.204.247.121:9999','HTTP://59.62.25.154:9000', 'HTTP://39.96.220.231:8888', 'HTTP://163.204.242.255:9999','HTTP://113.195.17.111:9999', 'HTTP://163.204.246.180:9999', 'HTTP://110.243.31.197:9999','HTTP://114.224.223.164:9999', 'HTTP://125.108.78.245:9000', 'HTTP://120.83.98.217:9999','HTTP://112.84.98.40:9999', 'HTTP://122.4.42.59:9999']data = {}
num1 = 100def request(num2, url):try:proxies = {'http': random.choice(proxy)}r = requests.get(url=url, headers=header, proxies=proxies)r.raise_for_status()r.encoding = 'utf-8'return rexcept:warning(num2, 0)def fun(num2, url):likes = []try:time.sleep(3)html = request(num2, url).textwords = parsel.Selector(html).xpath('//a[@class="card-content"]//strong/text()').extract()like_html = parsel.Selector(html).xpath('//div[@class="like button hoverable"]').extract()for li in like_html:like = parsel.Selector(li).xpath('//div/text()').extract()[-1]if like != ' ':likes.append(like)else:likes.append(0)for num in range(20):data[words[num]] = int(likes[num])except:warning(num2, 0)def draw():mask1 = numpy.array(PIL.Image.open('./Desktop/123.jpg'))wcloud = wordcloud.WordCloud(background_color='white', mask=mask1, font_path='‪C:/Windows/Fonts/STXINGKA.TTF')wcloud.generate_from_frequencies(frequencies=data)plt.figure(dpi=1200)plt.imshow(wcloud, interpolation='bilinear')plt.axis('off')plt.show()def warning(num1, flag=1):  # 0  失败    1  成功par = {"num": str(num1)}if flag == 1:temp = '477464252017283072'else:temp = '477464742239145984'Parameters = {'secretKey': '**************************','appCode': '477462730265071616','templateCode': temp,'params': quote(str(par))}URL = 'https://api.******.com/api/alarm'r = requests.get(URL, params=Parameters)print(r.text)if __name__ == '__main__':url = 'https://jikipedia.com/'for num in tqdm.tqdm(range(num1),desc="正在统计："):fun(num, url)warning(num1)draw()

结果：

正在统计：: 100%|██████████| 100/100 [07:37<00:00,  4.02s/it]
{"code":"200","data":null,"message":"SUCCESS"}

OPTIONS 请求方法的主要用途有两个：
1）获取服务器支持的HTTP请求方法；
2）用来检查服务器的性能。例如：AJAX进行跨域请求时的预检，需要向另外一个域名的资源发送一个HTTP OPTIONS请求头，用以判断实际发送的请求是否安全。 ↩︎