写给我无聊看的,python爬取CSDN博客标题和摘要出现的最多字,我都不知道我想干什么

Posted 杨旭华啊

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了写给我无聊看的,python爬取CSDN博客标题和摘要出现的最多字,我都不知道我想干什么相关的知识,希望对你有一定的参考价值。

一、分析网页

这个网站是动态加载的数据,我们不墨迹,直接抓包

在这里插入图片描述

  • https://blog.csdn.net/community/home-api/v1/get-business-list?page=1&size=20&businessType=lately&noMore=false&username=Yxh666
  • https://blog.csdn.net/community/home-api/v1/get-business-list?page=2&size=20&businessType=lately&noMore=false&username=Yxh666
  • https://blog.csdn.net/community/home-api/v1/get-business-list?page=3&size=20&businessType=lately&noMore=false&username=Yxh666

注意到这个URL地址是只有 page 是变化的,那我们直接更换页数就可抓取内容

二、技术点

  • 用到的技术
            requests、jieba、wordcloud、matplotlib、numpy、PIL

  • 学习侧重点
            对于jieba和wordcloud模块的使用,以及对动态加载网页获取数据

三、代码编写

  • 爬虫代码
import requests
import time
import random


class CsdnSpider:
    def __init__(self):
        self.url = 'https://blog.csdn.net/community/home-api/v1/get-business-list?page={}&size=20&businessType=blog&orderby=&noMore=false&username=Yxh666'
        # 写入txt文件
        self.f = open('bolg.txt', 'w', encoding='utf8')

    def get_html(self, url):
        headers = {
            'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36',
        }
        _html = requests.get(url=url, headers=headers).json()
        self.parse_html(_html)

    def parse_html(self, _html):
        result_data = _html['data']['list']

        for res in result_data:
            item = {}
            item['title'] = res['title']
            item['description'] = res['description'].replace("\\t", "").replace(' ', '').replace('\\xa0', '').replace(
                '\\u2003', '').replace('...', '') # 去除一些换行之类的符号
            item['diggCount'] = res['diggCount']
            item['commentCount'] = res['commentCount']
            item['viewCount'] = res['viewCount']
            item['url'] = res['url']
            print(item)
            self.f.write(item['title'])
            self.f.write(item['description'])
            self.f.write("\\n")

    def run(self):

        for i in range(1, 6):
            page_url = self.url.format(i)
            self.get_html(url=page_url)
            time.sleep(random.randint(2, 4))
        self.f.close()


if __name__ == '__main__':
    spider = CsdnSpider()
    spider.run()

生成词云代码:
pip install jieba
pip install wordcloud

import jieba
from matplotlib import pyplot  as plt
import wordcloud as wc
from PIL import Image
import numpy as np


with open("bolg.txt", "r", encoding="utf-8") as f:
    content = f.read()

res = jieba.lcut(content)
text = " ".join(res)
# 读取图片,用图片展示
mask = np.array(Image.open("logo.jpeg"))

# SimHei.ttf 为字体,要显示中文必须有字体,没有的话去下载一下
word_cloud = wc.WordCloud(font_path="SimHei.ttf", mask=mask)
word_cloud.generate(text)

# 保存云词图片
word_cloud.to_file("blog.png")

plt.imshow(word_cloud)
plt.show()
print(text)

天啊,我这都什么乱七八糟的,快看看们的什么样子啊
在这里插入图片描述
在这里插入图片描述

以上是关于写给我无聊看的,python爬取CSDN博客标题和摘要出现的最多字,我都不知道我想干什么的主要内容,如果未能解决你的问题,请参考以下文章

Python-selenium翻页爬取csdn博客保存数据入mysql

使用python爬取csdn博客访问量

写给小白看的硬核递归(低调点,当回小白)

Python 2.7_爬取CSDN单页面利用正则提取博客文章及url_20170113

python爬虫爬取csdn博客专家所有博客内容

写给自己看的单链表:归并排序