爬虫之豆瓣词云

Posted 2021-01-19 lsm-boke

from urllib import request
from bs4 import BeautifulSoup as bs
import re
import codecs
import jieba  #分词包
import numpy    #numpy计算包
import pandas as pd #分词用到
import matplotlib.pyplot as plt  #绘图包
import matplotlib
matplotlib.rcParams[‘figure.figsize‘] = (10.0,5.0)
from wordcloud import WordCloud #词云包

#爬取豆瓣最受关注图书榜
def gettopchartbook_list():
    
    resp = request.urlopen(‘https://book.douban.com/chart?subcat=I‘)
    html_data = resp.read().decode(‘utf-8‘)

    #转化为BeautifulSoup对象
    soup = bs(html_data,‘html.parser‘)

    #搜索最受关注的图书列表
    topchart_book =soup.find_all(‘ul‘,class_=‘chart-dashed-list‘)

    #搜索列表中所有图书
    topchart_book_list = topchart_book[0].find_all(‘li‘,class_=‘media clearfix‘)

    #新建数组用于存放后续的数据
    topchart_list = []

    #遍历图书馆列表，从中过滤出我们所需的信息
    for item in topchart_book_list:
        #新建字典用于存放我们的图书信息，之后可用class来存储
        topchart_dict = {}

        #搜索到具体信息的位置
        book_item = item.find(‘a‘,class_=‘fleft‘)

        #得到图书ID
        topchart_dict[‘id‘] = book_item[‘href‘].split(‘/‘)[4]   

        #得到图书名称
        topchart_dict[‘name‘] = book_item.getText().replace(‘	‘,‘‘).replace(‘
‘,‘‘).replace(‘ ‘,‘‘)  #图书名字
        
        #将图书信息加入到数组中
        topchart_list.append(topchart_dict)
    return topchart_list

#根据图书ID爬取评论函数
def getCommentbyId(bookId,pageNum):
    #新建数组用于存放评论信息
    eachCommentList = []
    if pageNum<0:
        return False
    requrl = ‘https://book.douban.com/subject/‘+ bookId +‘/comments/hot‘+‘?‘+‘p=‘+str(pageNum)
    print(requrl)
    #爬取热门第一页中的评论信息
    resp = request.urlopen(requrl)
    html_data = resp.read().decode(‘utf-8‘)
    soup = bs(html_data,‘html.parser‘)
    #搜索到评论所在div
    comment_div_lits = soup.find_all(‘div‘,class_=‘comment‘)
    for item in comment_div_lits:
        if item.find_all(‘p‘)[0].string is not None:
            eachCommentList.append(item.find_all(‘p‘)[0].string)
    return eachCommentList
    
def main():
    #循环获取第一本书的前10页评论
    commentList = []
    topchartbook_list = gettopchartbook_list()
    for i in range(10):
        num = i + 1
        commentList_temp = getCommentbyId(topchartbook_list[0][‘id‘],num)
        commentList.append(commentList_temp)
    
    #为了方便进行数据进行清洗，我们将列表中的数据放在一个字符串数组中
    commits = ‘‘
    for k in range(len(commentList)):
        commits = commits + (str(commentList[k])).strip()

    # print(commits)
    # exit()

    #可以看到所有的评论已经变成一个字符串了，但我们发现评论中还有不少标点符号等
    #这些符号对我们进行词频统计根本就没有用，因此将他们清除，所用的方法是正则表达式
    pattern = re.compile(r‘[u4e00-u9fa5]+‘)
    filterdata = re.findall(pattern,commits)
    cleaned_comments = ‘‘.join(filterdata)
    # print(‘评论数组‘)
    # print(eachCommentList)
    # print(‘评论字符串‘)
    # print(commits)
    # print(‘去除标点符号的评论‘)
    # print(cleaned_comments)
    # exit()

    #在这里使用的是结巴分词，如果没有安装结巴分词，可以在控制台用 pip install jieba安装
    segment = jieba.lcut(cleaned_comments)
    # print(segment)
    # exit()
    #可以使用pandas库将分词转化成dataframe格式，head()方法只查看前五项内容
    words_df = pd.DataFrame({‘word‘:segment})
    # print(words_df)
    # print(words_df.head())
    # exit()

    #可以看到我们的数据中有“我”、“很”等虚词（停用词）
    #而这些词在任何场景中都是高频时，并且没有实际含义，所以我们要对他们进行清除
    #把停用词放在一个stopwords.txt文件中，将我们的数据与停用词进行对比即可

    stopwords=pd.read_csv("stopwords.txt",index_col=False,quoting=3,sep="	",names=[‘stopword‘],encoding=‘gbk‘)
    # print(stopwords)
    # exit()
    words_df=words_df[~words_df.word.isin(stopwords.stopword)]
    # print(words_df.head())
    # exit()

    #接下来进行词频统计
    words_stat=words_df.groupby(by=[‘word‘])[‘word‘].agg([‘count‘])
    # print(words_stat.head())

    #对统计结果进行排序
    words_stat=words_stat.reset_index().sort_values(by=["count"],ascending=False)
    # print(words_stat.head())

    #词云展示
    wordcloud = WordCloud(font_path="simhei.ttf",background_color="white",max_font_size=80)    #指定字体类型、字体大小、背景颜色
    word_frequence = {x[0]:x[1] for x in words_stat.head(1000).values}
    # print(word_frequence)
    wordcloud = wordcloud.fit_words(word_frequence)
    # print(wordcloud)
    # exit()

    #matplotlib包对图片进行绘制，绘制成功后，返回一个AxesImage对象，要在窗口上显示这个对象，我们可以用show()函数进行
    #在某些练习环境下可以省略show()函数，也能自动显示出来
    plt.imshow(wordcloud)
    plt.axis("off")
    plt.show()

    wordcloud.to_file(‘tutorial/Python/images/books/‘+str(topchartbook_list[0][‘id‘])+‘.png‘)

#主函数
main()