Python爬虫：爬取网络流行词制作词云

其他 2020-07-23 12:20:12 阅读次数: 0

在这里插入图片描述

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
在这里插入图片描述
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：
在这里插入图片描述

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。
在这里插入图片描述
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。
在这里插入图片描述
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：
在这里插入图片描述
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。
在这里插入图片描述
在这里插入图片描述
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 r
    except:
        print("请求失败！")
        
def fun(url):
    likes = []
    html = request(num2, url).text
    words = 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。
在这里插入图片描述

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 quote

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',
    '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 = 100


def 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 r
    except:
        warning(num2, 0)


def fun(num2, url):
    likes = []
    try:
        time.sleep(3)
        html = request(num2, url).text
        words = 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"}

在这里插入图片描述

  1. 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。 ↩︎

猜你喜欢

转载自blog.csdn.net/qq_44700693/article/details/107151432
今日推荐
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
国产云输入法——仅华为无云端数据上传安全问题
开源日报 | 工业开源项目OGG 1.0；姐姐，你要和我一起配置火狐吗；苹果AI遥遥落后？Fedora 40
开放签电子签章：停止新增，优化体验，前进更进（五一假期前工作）
开源日报 | 中学生开源前端动画引擎；全球首个Llama3 8B中文版开源模型；联想电脑恐出局；Linus讽刺AI炒作
周排行
浏览器对同一域名进行请求的最大并发连接数
React Hook之自定义Hook
【转】MyBatis缓存机制
-Java-泛型
自动化测试常用脚本-发送邮件
LeetCode#859: Buddy Strings
java、Python处理字符串
第二篇の博客
Hadoop伪分布式环境安装
SQL Server进阶（十一）临时表、表变量
每日归档
更多
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)
2024-04-23(26)
2024-04-22(39)
2024-04-21(0)
2024-04-20(6)
2024-04-19(5)
2024-04-18(0)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022