基于虎嗅网的文本挖掘（Python爬虫&LDA主题模型）

一、分析背景

1、1 网站选取

关于虎嗅，虽然是小众的互联网媒体，没有像擅长于用户推荐的今日头条、专注于时政的澎湃新闻那样广为人知。但其有内涵、有质量，能看到最新的消息与某些观点的深入分析，包括微信公众号，大部分会订阅虎嗅的公众号。

再者，文本重点在于展现和学习文本挖掘的思路和整体框架。至于其载体是虎嗅还是澎湃，显得或许没有那么重要了。

1.2 分析目的

1、熟悉熟悉分析流程，尝试和学习一些有意思的东西；
2、展现数据之美，体现数据的奥妙和给人带来的强烈的视觉冲击；
3、基于文本挖掘，分析虎嗅网这家网站的运营方向，专注领域，不同文章的书写手法，受欢迎文章所具备的特点等。

1.3 使用到的数据分析工具

• Python 3.5.0
• PyCharm 2018.3
• Pyspider 0.3.10
• MongoDB 4.0.4
• Studio-3T
• jieba
• WordCloud
• R 3.5.1
• RStudio 3.5.1
• Jupyter 4.4.0

二、前期准备

2.1 Pyspider

2.1.1Pyspider简介

Pyspider是一个非常高效、简单的框架，而且提供了一个WebUI界面。你可以在WebUI界面里编写你的爬虫代码，管理爬虫状态，查看当前调用的任务。

• Pyspider内置了PyQuery解析，可以使用任何你喜欢的html解析包；
• 数据库支持MongoDB、MySQl、Redis、SQLite等；
• 支持抓取经过JavaScript渲染的页面
• 多进程处理

2.1.2 Pyspider安装及配置

节省篇幅，话不多说，链接附上：[Pyspider安装及配置]https://blog.csdn.net/qq_42336565/article/details/80697482

2.2 MongoDB

2.2.1 MongoDB简介

MongoDB 是一个基于分布式文件存储的数据库。由 C++ 语言编写。旨在为 WEB 应用提供可扩展的高性能数据存储解决方案。

MongoDB 是一个介于关系数据库和非关系数据库之间的产品，是非关系数据库当中功能最丰富，最像关系数据库的。

2.2.2 MongoDB安装及配置

按照下面的教程来安装：
https://jingyan.baidu.com/article/a3f121e493e592fc9052bbfe.html 需要强调的一点是：第10步：

MongoDB安装.png

这一步你要是很任性地像安装其他软件一样，选择了自定义的安装路径，或者在这一步:

MongoDB安装.png

左下角，你勾上了Install MongoDB Compass，那你有可能就玩完了。。。接下来安装进程：

MongoDB安装.png

进度条可能会卡在70%左右，一直不变，这个问题折磨了好久，老泪纵横，最后还是乖乖地默认安装路径。MongoDB还真是傲娇得很呐！

三、数据获取及预处理

3.1数据爬取

鉴于虎嗅网主页是主编精挑细选出来的，很据代表性，能反映虎嗅网的整体状况，本文使用 Pyspider 抓取了来自[虎嗅网] https://www.huxiu.com/的主页文章。

3.1.1 使用PyCharm

照常，我们用PyCharm来做，检查虎嗅原网页：

HuXiu.png

设置服务器代理

def get_one_page(my_headers,url):
    randdom_header = random.choice(my_headers)
    req = urllib.request.Request(url)
    req.add_header("User-Agent", randdom_header)
    req.add_header("GET", url)
    response = urllib.request.urlopen(req)
    return  response
#代理服务器
my_headers = [
        "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.153 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:30.0) Gecko/20100101 Firefox/30.0",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_2) AppleWebKit/537.75.14 (KHTML, like Gecko) Version/7.0.3 Safari/537.75.14",
        "Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; Win64; x64; Trident/6.0)"
    ]

获取原网页

def get_href(html):
    pattern = re.compile('<div class="mod-b mod-art clearfix "'
                         '.*?"transition"  href="(.*?)"'
                         '.*?</div>', re.S)
    items =re.findall(pattern, html)
    return items

使用正则表达式，解析原网页

def parse_one_page(href):
    pattern = re.compile('<div class="article-wrap">'
                         '.*?class="t-h1">(.*?)</h1>'
                         '.*?article-time pull-left">(.*?)</span>'
                         '.*?article-share pull-left">(.*?)</span>'
                         '.*?article-pl pull-left">(.*?)</span>'
                       #  '.*?text-remarks.*?</p><p><br/></p><p>(.*?)<!--.*?认证-->'
                         '.*?author-name.*?<a href=".*?" target="_blank">(.*?)</a>'
                         '.*?author-one">(.*?)</div>'
                         '.*?author-article-pl.*?target="_blank">(.*?)</a></li>'
                         '.*?</div>', re.S)

将获得的参数值转化成键值对

items =re.findall(pattern, href)
  for item in items:
      yield {
          'title': item[0].strip(),
          'time': item[1],
          'share': item[2][2:],
          'recoment': item[3][2:],
       #   'content': re.compile(r'<[^>]+>',re.S).sub('',item[4]).strip(),
          'anthor': item[4].strip(),
          'intro': item[5],
          'passNum': item[6]
      }

循环遍历，抓取第一页所有文章

for i in range(len(url_html)):
        url_ord = "https://www.huxiu.com" + url_html[i]
        ord_text = get_one_page(my_headers, url_ord).read().decode('utf-8')
        for item in parse_one_page(ord_text):
            print(item)
            write_to_file(item)

保存到文件text.txt中

def write_to_file(content):
    with open('text.txt','a',encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False)+'\n')
        f.close()

爬取结果：

{"title": "裁员凶猛", "time": "2018-12-10 20:35", "share": "3", "recoment": "2", "anthor": "华夏时报©", "intro": "", "passNum": "54篇文章"}
{"title": "新东方烹饪学校都要上市了，你竟然还看不起职校", "time": "2018-12-10 20:31", "share": "3", "recoment": "0", "anthor": "敲敲格", "intro": "空山无人", "passNum": "150篇文章"}
{"title": "互联网太可怕，我还是做回煤老板吧", "time": "2018-12-10 20:22", "share": "6", "recoment": "2", "anthor": "故事FM©", "intro": "", "passNum": "16篇文章"}
{"title": "《海王》，大型“海底捞”现场", "time": "2018-12-10 20:01", "share": "3", "recoment": "2", "anthor": "mrpuppybunny", "intro": "", "passNum": "316篇文章"}
{"title": "从成龙说起：这届中国男明星不行", "time": "2018-12-10 19:51", "share": "10", "recoment": "2", "anthor": "腾讯《大家》©", "intro": "精选大家文章，畅享阅读时光。", "passNum": "119篇文章"}
{"title": "互联网寒冬，不是深渊，而是阶梯", "time": "2018-12-10 19:36", "share": "14", "recoment": "2", "anthor": "瞎说职场©", "intro": "", "passNum": "8篇文章"}
{"title": "【虎嗅晚报】和山寨Supreme合作？三星：这是意大利Supreme", "time": "2018-12-10 19:29", "share": "1", "recoment": "0", "anthor": "敲敲格", "intro": "空山无人", "passNum": "150篇文章"}
{"title": "老干妈：不上市的底气与逻辑", "time": "2018-12-10 18:28", "share": "9", "recoment": "6", "anthor": "中国经济信息杂志©", "intro": "信息改变生存质量", "passNum": "5篇文章"}
{"title": "2018，一文看尽AI发展真相", "time": "2018-12-10 18:16", "share": "18", "recoment": "0", "anthor": "新智元", "intro": "人工智能全产业平台", "passNum": "52篇文章"}
{"title": "《任天堂明星大乱斗：特别版》：我们都爱“大杂烩”", "time": "2018-12-10 17:54", "share": "1", "recoment": "1", "anthor": "我不叫塞尔达", "intro": "", "passNum": "81篇文章"}
{"title": "罗玉凤不认命", "time": "2018-12-10 17:46", "share": "25", "recoment": "12", "anthor": "盖饭人物ThePeople©", "intro": "冷眼看人间，心如火焰。", "passNum": "3篇文章"}
{"title": "星巴克被骂上热搜，新会员体系把老用户都气哭了", "time": "2018-12-10 16:40", "share": "10", "recoment": "9", "anthor": "运营研究社", "intro": "", "passNum": "13篇文章"}
{"title": "雀巢紧急召回一批问题奶粉，可致婴儿恶心呕吐", "time": "2018-12-10 16:36", "share": "5", "recoment": "0", "anthor": "每日经济新闻©", "intro": "", "passNum": "78篇文章"}
{"title": "8012年了，我们为什么还沉迷于“捏脸”游戏？", "time": "2018-12-10 16:27", "share": "9", "recoment": "3", "anthor": "看理想©", "intro": "“看理想”诞生于知名出版品牌“...", "passNum": "57篇文章"}
{"title": "广州三重奏：认识中国“南方”的一个视角", "time": "2018-12-10 16:25", "share": "21", "recoment": "0", "anthor": "东方历史评论©", "intro": "《东方历史评论》杂志官方微信账...", "passNum": "3篇文章"}
{"title": "得了癌症，怎么告诉孩子", "time": "2018-12-10 16:00", "share": "19", "recoment": "1", "anthor": "谢熊猫君", "intro": "", "passNum": "7篇文章"}
{"title": "从校园到职场：什么是职场经验", "time": "2018-12-10 15:43", "share": "38", "recoment": "5", "anthor": "caoz的梦呓©", "intro": "", "passNum": "70篇文章"}
{"title": "我们不禁要问：这些怪物在科学的地图周围在做什么呢？", "time": "2018-12-10 15:10", "share": "15", "recoment": "1", "anthor": "一席©", "intro": "", "passNum": "37篇文章"}
{"title": "一边卖命，一边求生，300万中国底层现状", "time": "2018-12-10 14:36", "share": "31", "recoment": "6", "anthor": "一条©", "intro": "每天一条原创短视频，每天讲述一...", "passNum": "1篇文章"}
{"title": "像拍《海王》一样拍《西游记》，会是什么样？", "time": "2018-12-10 14:30", "share": "13", "recoment": "10", "anthor": "壹条电影©", "intro": "", "passNum": "4篇文章"}
{"title": "DC翻身作《海王》，其实是一部环保教育宣传片", "time": "2018-12-10 14:00", "share": "6", "recoment": "8", "anthor": "PingWest品玩©", "intro": "有品好玩的科技，一切与你有关", "passNum": "71篇文章"}
{"title": "平台&大媒体都在输血本地新闻，  这样的合作模式真的可持续吗？", "time": "2018-12-10 14:00", "share": "8", "recoment": "2", "anthor": "全媒派©", "intro": "", "passNum": "78篇文章"}

到目前为止，第一页的文章已经处理掉了，本以为一切自然一帆风顺的，万事皆大欢喜，不就多爬几页嘛，一个循环不就得了。事实证明我想得简单了。
当点击第一页下面这个“加载更多”时，发现其经过了JavaScript渲染。

HuXiu.png

分析该请求的方式和地址，包括参数，如下图所示：

HuXiu.png

得到以下信息：

1. 页面请求地址为：https://www.huxiu.com/v2_action/article_list
2. 请求方式：POST
3. 请求参数比较重要的是一个叫做page的参数

3.1.2 使用PySpider爬取动态加载页面

on_start 函数内部编写循环事件，我们本次爬取2000页；

@every(minutes=24 * 60)
    def on_start(self):
        for page in range(1,2000):
            print("正在爬取第 {} 页".format(page))
            self.crawl('https://www.huxiu.com/v2_action/article_list', method="POST",data={"page":page},callback=self.parse_page,validate_cert=False)

页面生成完毕之后，开始调用parse_page 函数，用来解析 crawl() 方法爬取 URL 成功后返回的 Response 响应。

def parse_page(self, response):
        content = response.json["data"]
        doc = pq(content)
        lis = doc('.mod-art').items()
        data = [{
           'title': item('.msubstr-row2').text(),
           'url':'https://www.huxiu.com'+ str(item('.msubstr-row2').attr('href')),
           'name': item('.author-name').text(),
           'write_time':item('.time').text(),
           'comment':item('.icon-cmt+ em').text(),
           'favorites':item('.icon-fvr+ em').text(),
           'abstract':item('.mob-sub').text()
           } for item in lis ] 
        return data

最后，定义一个 on_result() 方法，该方法专门用来获取 return 的结果数据。这里用来接收上面 parse_page() 返回的 data 数据，在该方法可以将数据保存到 MongoDB 中。

def on_result(self, result):
        if result:
            self.save_to_mongo(result)
    
    def save_to_mongo(self, result):
        df = pd.DataFrame(result)
        content = json.loads(df.T.to_json()).values()
        if mongo_collection.insert_many(content):
            print('存储到mongodb成功')
            sleep = np.random.randint(1,5)
            time.sleep(sleep)

pyspider 以 URL的 MD5 值作为 唯一 ID 编号，ID 编号相同，就视为同一个任务， 不会再重复爬取。
GET 请求的分页URL 一般不同，所以 ID 编号会不同，能够爬取多页。
POST 请求的URL是相同的，爬取第一页之后，后面的页数便不会再爬取。
为了爬取第2页及之后，重新写下 ID 编号的生成方式，在 on_start() 方法前面添加下面代码：

def get_taskid(self,task):
        return md5string(task['url']+json.dumps(task['fetch'].get('data','')))

数据保存到 了MongoDB 中：

MongoDB.png

共计2000页， 28222篇文章。抓取 了 7 个字段信息：文章标题、作者、发文时间、评论数、收藏数、摘要和文章链接。

3.2 数据清洗

首先，我们需要从 MongoDB 中读取数据，并转换为 DataFrame。

client = pymongo.MongoClient(host='localhost', port=27017)
db = client['Huxiu']
collection = db['News']
# 将数据库数据转为dataFrame
data = pd.DataFrame(list(collection.find()))

下面我们看一下数据的行数和列数，整体情况及数据的前五行。

#查看行数和列数
print(data.shape)
#查看总体情况
print(data.info())

结果:

(28222, 8)
RangeIndex: 28222 entries, 0 to 28221
Data columns (total 8 columns):
_id           28222 non-null object
abstract      28222 non-null object
comment       28222 non-null object
favorites     28222 non-null object
name          28222 non-null object
title         28222 non-null object
url           28222 non-null object
write_time    28222 non-null object

可以看到数据的维度是 28222行 × 8 列。发现多了一列无用的 _id 需删除，同时 name 列有一些特殊符号，比如© 需删除。另外，数据格式全部为 Object 字符串格式，需要将 comment 和 favorites 两列更改为数值格式、 write_time 列更改为日期格式。

# 删除无用的_id列
data.drop(['_id'], axis=1, inplace=True)
# 删除特殊符号@
data['name'].replace('@','',inplace=True,regex=True)
data_duplicated = data.duplicated().value_counts()
# 将数据列改为数值列
data = data.apply(pd.to_numeric, errors='ignore')
# 修改时间，并转换为datetime格式
data['write_time'] = pd.to_datetime(data['write_time'])
data = data.reset_index(drop=True)

下面，我们看一下数据是否有重复，如果有，那么需要删除。

# 删除重复值
data = data.drop_duplicates(keep='first')

我们再增加两列数据，一列是文章标题长度列，一列是年份列，便于后面进行分析

# 增加标题长度列
data['title_length'] = data['title'].apply(len)
# 年份列
data['year'] = data['write_time'].dt.year

以上，就完成了基本的数据清洗处理过程，针对这 9 列数据开始进行分析。

四、数据统计分析

4.1 整体情况

先来看一下总体情况：

print(data.describe())

结果：

            comment     favorites  title_length          year
count  27236.000000  27236.000000  27236.000000  27236.000000
mean       9.030988     40.480761     23.010501   2016.382288
std       14.912655     52.381115      8.376050      1.516007
min        0.000000      0.000000      3.000000   2012.000000
25%        3.000000     12.000000     17.000000   2016.000000
50%        6.000000     24.000000     23.000000   2017.000000
75%       11.000000     48.000000     28.000000   2017.000000
max      914.000000    787.000000    124.000000   2018.000000

使用了 data.describe() 方法对数值型变量进行统计分析。从上面可以简要得出以下几个结论：

• 读者的评论和收藏热情都不算太高。大部分文章（75 %）的评论数量为十几条，收藏数量不过几十个。这和一些微信大 V 公众号动辄百万级阅读、数万级评论和收藏量相比，虎嗅网的确相对小众一些。不过也正是因为小众，也才深得部分人的喜欢。
• 评论数最多的文章有914 条，收藏数最多的文章有 787 个收藏量，说明还是有一些潜在的比较火或者质量比较好的文章。
• 最长的文章标题长达 124 个字，大部分文章标题长度在 20 来个字左右，所以标题最好不要太长或过短。

print(data['name'].describe())
print(data['write_time'].describe())

结果：

count     27236
unique     3334
top          虎嗅
freq       2289
count                   27236
unique                   1390
top       2017-04-25 00:00:00
freq                       44
first     2012-06-27 00:00:00
last      2018-10-20 00:00:00

unique 表示唯一值数量，top 表示出现次数最多的变量，freq 表示该变量出现的次数，所以可以简单得出以下几个结论：

• 在文章来源方面，3334 个作者贡献了这 27236篇文章，其中自家官网「虎嗅」写的数量最多，有2289篇，这也很自然。
• 在文章发表时间方面，最早的一篇文章来自于 2012年 6 月 27日。 6 年多时间，发文数最多的 1 天 是 2017 年4 月 25 日，一共发了 44 篇文章。

4.2 虎嗅网文章发布数量变化

def analysis1(data):

    data.set_index(data['write_time'], inplace=True)
    data = data.resample('Q').count()['name'] # 以季度汇总
    data = data.to_period('Q')

    # 创建x,y轴标签
    x = np.arange(0, len(data), 1)
    axl.plot(x, data.values,
        color = color_line,
        marker = 'o', markersize = 4
        )
    axl.set_xticks(x) # 设置x轴标签为自然数序列
    axl.set_xticklabels(data.index) # 更改x轴标签值为年份
    plt.xticks(rotation=90) # 旋转90度，不至于太拥挤

    for x,y in zip(x,data.values):
        plt.text(x,y + 10, '%.0f' %y,ha = 'center', color = colors, fontsize=fontsize_text)
    # 设置标题及横纵坐标轴标题
    plt.title('虎嗅网文章数量发布变化(2012-2018)', color = colors, fontsize=fontsize_title)
    plt.xlabel('时期')
    plt.ylabel('文章（篇）')
    plt.tight_layout() # 自动控制空白边缘
    plt.savefig('虎嗅网文章数量发布变化.png', dip=200)
    plt.show()

结果：

虎嗅网文章发布数量变化.png

可以看到 ，以季度为时间尺度的 6 年间，12年-15年发文数量比较稳定，大概在400篇左右。但2016 年之后文章开始增加到 2000 篇以上，可能跟虎嗅网于2015年2月上市有关。首尾两个季度日期不全，所以数量比较少。

4.3 文章收藏量TOP10

几万篇文章里，到底哪些文章写得比较好或者比较火？

top = data.sort_values('favorites', ascending=False)
    top.index=(range(1,len(top.index)+1))
    print(top[:10][['title','favorites','comment']])

结果：

                             title  favorites  comment
1                        货币如水，覆水难收        787       39
2                            自杀经济学        781      119
3   2016年已经起飞的5只黑天鹅，都在罗振宇这份跨年演讲全文里        774       39
4               真正强大的商业分析能力是怎样炼成的？        747       18
5                        藏在县城的万亿生意        718       35
6                           腾讯没有梦想        707       32
7               段永平连答53问，核心是“不为清单”        706       27
8                          王健林的滑铁卢        703       92
9                           7-11不死        691       17
10            游戏策划人士：为什么我的儿子不沉迷游戏？        644       33

发现两个有意思的地方：第一，文章标题都比较短小精炼。第二，文章收藏量虽然比较高，但评论数都不多，猜测这是因为——大家都喜欢做伸手党？

4.4 历年TOP3文章收藏比较

在了解文章的总体排名之后，我们来看看历年的文章排名是怎样的。这里，每年选取了收藏量最多的 3 篇文章。

def analysis2(data):
    def topn(data):
        top = data.sort_values('favorites', ascending=False)
        return top[:3]

    data = data.groupby(by=['year']).apply(topn)
    print(data[['title', 'favorites']])

    # 增加每年top123列，列依次值为1、2、3
    data['add'] = 1 # 辅助
    data['top'] = data.groupby(by='year')['add'].cumsum()

    data_reshape = data.pivot_table(index='year', columns='top', values='favorites').reset_index()
    print(data_reshape)
    data_reshape.plot(
        y = [1,2,3],
        kind = 'bar',
        width = 0.3,
        color = ['#1362A3', '#3297EA', '#8EC6F5']
        )
    # 添加x轴标签
    years = data['year'].unique()
    plt.xticks(list(range(7)), years)
    plt.xlabel('Year')
    plt.ylabel('文章收藏数量')
    plt.title('历年TOP3文章收藏比较', color = colors, fontsize = fontsize_title)
    plt.tight_layout()
    plt.savefig('历年TOP3文章收藏比较.png', dpi=200)
    plt.show()

结果：

历年TOP3文章收藏比较.png

可以看到，文章收藏量是逐年递增的。

year                                                title                 favorites
2012 3199                                   怎么做难做的本地生活服务？        106
     2236                                     经营微博的十个经典案例        101
     3449                          《大数据时代》，一场生活、工作与思维的大变革         91
2013 3795                                情色网站启示：请尊重你不懂的领域        246
     235                                周鸿祎的一部分，由他读的这些书构成        245
     4071   如果你不想老被思考的陷阱绊倒，建议熟读《清醒思考的艺术:你最好让别人去犯的52种思维错误》
      221
2014 660                           阿里巴巴怎么看O2O对商业生态的破局与重构？        443
     2413     别等中文译本了，Peter Thiel《Zero to One》中的13条逆向创业观点        308
     2563                              这是迄今还原得最完整的——“雷军系”        278
2015 4107                   看了这套PPT，你就知道房地产商将要如何玩转社区O2O的啦        452
     3298                           不要再徒手创业了，这些好用的工具软件请拿走        372
     4373                      非常赞的文章！告诉你一个你知其然却不知其所以然的硅谷        357
2016 418                       蝗虫般的刷客大军：手握千万手机号，分秒间薅干一家平台        554
     12618                            准CEO必读的这20本书，你读过几本？        548
     17225                        运营简史：一文读懂互联网运营的20年发展与演变        505
2017 21898                 2016年已经起飞的5只黑天鹅，都在罗振宇这份跨年演讲全文里        774
     144                               真正强大的商业分析能力是怎样炼成的？        747
     11471                                        王健林的滑铁卢        703
2018 19686                                      货币如水，覆水难收        787
     19230                                          自杀经济学        781
     16362                                      藏在县城的万亿生意        718

可以看到标题起地都蛮有水准的。关于标题的重要性，有这样通俗的说法：「一篇好文章，标题占一半」，一个好的标题可以大大增强文章的传播力和吸引力。文章标题虽只有短短数十字，但要想起好，里面也是很有很多技巧的。

4.5 发文数量最多的TOP20作者

上面，我们从收藏量指标进行了分析,下面，我们关注一下发布文章的作者（个人/媒体）。前面提到发文最多的是虎嗅官方，有一万多篇文章，这里我们筛除官媒，看看还有哪些比较高产的作者。

def analysis3(data):
    data = data.groupby(data['name'])['title'].count()
    data = data.sort_values(ascending=False)
    print(data)

    # pandas 直接绘制，invert_yaxis()颠倒顺序
    data[1:21].plot(kind='barh',color=color_line).invert_yaxis()

    for y,x in enumerate(list(data[1:21].values)):
        plt.text(x+12,y+0.2,'%s' %round(x,1),ha='center',color=colors)
    plt.xlabel('文章数量')
    plt.ylabel('作者')
    plt.title('发文数量最多的TOP20作者', color = colors, fontsize=fontsize_title)
    
    plt.tight_layout()
    plt.savefig('发文数量最多的TOP20作者.png',dpi=200)
    plt.show()

结果：

发文数量最多的TOP20作者.png

可以看到，前 20 名作者的发文量差距都不太大。发文比较多的有「娱乐资本论」、「发条橙子」、「界面」、「新浪科技」这类媒体号；也有虎嗅官网团队的作者：张博文、周超臣等；还有部分独立作者：假装FBI等。可以尝试关注一下这些高产作者。

4.6 文章评论数与收藏量的关系

def analysis6(data):
    plt.scatter(data['favorites'], data['comment'], s=8, color='#1362A3')
    plt.xlabel('文章收藏量')
    plt.ylabel('文章评论数')
    plt.title('文章评论数与收藏量关系', color = colors, fontsize=fontsize_title)
    plt.tight_layout()
    plt.savefig('文章评论数与收藏量关系.png', dpi=200)
    plt.show()

结果：

文章评论数与收藏量的关系.png

可以看到，大多数点都位于左下角，意味着这些文章收藏量和评论数都比较低。但也存在少部分位于上方和右侧的异常值，表明这些文章呈现 「多评论、少收藏」或者「少评论、多收藏」的特点。

4.7 文章收藏量与标题长度关系

def analysis7(data):
    plt.scatter(
        x=data['favorites'],
        y=data['title_length'],
        s=8,
        )
    plt.xlabel('文章收藏量')
    plt.ylabel('文章标题长度')
    plt.title('文章收藏量和标题长度关系', color = colors, fontsize=fontsize_title)
    plt.tight_layout()
    plt.savefig('文章收藏量和标题长度关系.png', dpi=200)
    plt.show()

结果：

文章收藏量与标题长度关系.png

大致可以看出两点现象：

• 第一 ，收藏量高的文章，他们的标题都比较短（右侧的部分散点）。
• 第二，标题很长的文章，它们的收藏量都非常低（左边形成了一条垂直线）。
  看来，文章起标题时最好不要起太长的。

4.8 三分之一以上文章的标题喜欢使用问号

def analysis10(data):
    data1 = data[data['title'].str.contains("(.*\？.*)|(.*\?.*)")]
    data2 = data[data['title'].str.contains("(.*\！.*)|(.*\!.*)")]

    # 带有问号的标题数量
    quantity1 = data1.shape[0]
    # 带有叹号的标题数量
    quantity2 = data2.shape[0]
    # 剩余数量
    quantity = data.shape[0] - data1.shape[0] - data2.shape[0]

    sizes = [quantity2,quantity1,quantity]
    labels = [u'叹号标题',u'问号标题',u'陈述性标题']
    colors_pie = ['#1362A3','#3297EA','#8EC6F5'] #每块颜色定义
    explode = [0,0.05,0]
    plt.pie(
        sizes,
        autopct='%.1f%%',
        labels= labels,
        colors =colors_pie,
        shadow = False, #无阴影设置
        startangle =90, #逆时针起始角度设置
        explode = explode,
        # textprops={'fontsize': 14, 'color': 'w'} # 设置文字颜色
        textprops={'fontsize': 12, 'color': 'w'} # 设置文字颜色
        )
    plt.title('一半以上的文章的标题喜欢用问号',color=colors,fontsize=fontsize_title)

    plt.axis('equal')

    plt.axis('off')
    plt.legend(loc = 'upper right')
    plt.tight_layout()  # 自动控制空白边缘，以全部显示x轴名称
    plt.savefig('title问号.png',dpi=200)
    plt.show()

结果：

三分之一以上文章的标题喜欢使用问号.png

五、绘制词云图

我们通过绘制2013-2018年词云图来说明来探究每年的热词和热点事件。其中，分词函数用的是王师兄推荐的jieba分词。

def analysis9(data):
    jieba.load_userdict("userdict.txt")
    
    text=''
    for i in data['title'].values:
    # for i in data[data.year == 2018]['title'].values:
        # 替换无用字符
        symbol_to_replace = '[!"#$%&\'()*+,-./:;<=>?@，。?★、…【】《》？“”‘’！[\\]^_`{|}~]+'
        # data['name'].str.replace(symbol_to_replace,'',inplace=True,regex=True)
        i = re.sub(symbol_to_replace,'',i)
        # print(i)
        text+=' '.join(jieba.cut(i,cut_all=False))

    # text = jieba.del_word('如何')
    d = path.dirname(__file__) if "__file__" in locals() else os.getcwd()

    background_Image = np.array(Image.open(path.join(d, "tiger.jpg")))
    # background_Image = plt.imread('./tiger.jpg')

    font_path = 'C:\Windows\Fonts\simhei.ttf'  # 思源黑,黑体simhei.ttf
    # 添加stopswords
    stopwords = set()
    # 先运行对text进行词频统计再排序，再选择要增加的停用词
    stopwords.update(['如何','怎么','一个','什么','为什么','还是','我们','为何','可能','不是','没有','哪些','成为','可以','背后','到底','就是','这么','不要','怎样','为了','能否','你们','还有','这样','这个','真的','那些'])

    wc = WordCloud(
        # background_color = '#3F3F3F',
        # background_color = 'white',
        background_color = 'black',
        font_path = font_path,
        mask = background_Image,
        stopwords = stopwords,
        max_words = 200,
        # width = 1000,height=600,
        margin =2,
        max_font_size = 100,
        random_state = 42,
        scale = 2,
        # colormap = 'viridis'
    )
    wc.generate_from_text(text)

    process_word = WordCloud.process_text(wc, text)
    # 下面是字典排序
    sort = sorted(process_word.items(),key=lambda e:e[1],reverse=True) # sort为list
    print(sort[:50])  # 输出前词频最高的前50个，然后筛选出不需要的stopwords，添加到前面的stopwords.update()方法中
    img_colors = ImageColorGenerator(background_Image)
    wc.recolor(color_func=img_colors)  # 颜色跟随图片颜色

    plt.imshow(wc,interpolation='bilinear')
    plt.axis('off')
    plt.tight_layout()  # 自动控制空白边缘，以全部显示x轴名称
    plt.savefig('huxiu5.png',dpi=200)
    plt.show()

结果：
2018年：

2018.png

2017年：

2017.png
2016年：
2016.png
2015年：
2015.png

2014年：

2014.png
2013年：
2013.png

可以看到每年的关键词都有一些相同之处，但也不同的地方：

• 中国、互联网、公司、苹果、腾讯、阿里等这些热门关键词一直都是热门，唯有BAT中的百度较为低调，唯有2016、2017年百度因为“魏泽西”事件，被迫“崭露头角”。当时，百度的负面新闻甚嚣尘上，像这种[百度大势已去——从魏则西事件说起]https://www.jianshu.com/p/1284ead05ff2的谩骂和批评声不绝于耳。
• 每年会有新热点涌现：
  比如 2013 年的微信（刚开始火），从日后的用户数据报道也可见一端[2013微信活跃用户增1104% 全球增长最快]http://www.ebrun.com/20140529/100398.shtml、
  2015，李克强总理提出“大众创业、万众创新”，掀起了创业热潮，而2016年与2015年相比，态势减弱；
  2016 年的直播（各大直播平台如雨后春笋般出现）、2017年的AI手机兴起；2018年的小米上市、滴滴事件。
• 不断有新的热门技术出现：2014 – 2015 年的 O2O、2016 年的 VR、直播、2017 年的 人工智能 、2018 年的「区块链」。这些科技前沿技术也是这几年大家口耳相传的热门词汇。
  通过这几幅图，就看出了这几年科技互联网行业及热点信息的风云变化。

六、文本挖掘(主题模型)

6.1 理论

在上面，我们用到了词云图，词云图是根据词在文档中出现的频数来决定和绘制的，这很直观地显示出了每年最火、最热、使用率最高的词。但是，词云图并不能分析和描绘文档和文档之间的相互关系，更不能探究文字间的潜在语义信息，而LDA很多地弥补和改善了诸多缺点。

主题模型的具体理论是很复杂的，我们暂且可以把他当做一个黑箱。了解参数，实现算法，得到我们想要的东西。主题模型在计算机科学和数据科学的学术讲座中，讲者在介绍到LDA时，都往往会把原理这部分直接跳过去。就像我们不需要把汽车发动机原理搞清楚就可以开车一样，我们同样可以使用LDA主题词模型来提取主题词。当然，你也可以参考这篇文章：[通俗理解LDA主题模型]https://blog.csdn.net/yhao2014/article/details/51098037。

6.2 实现

在实现主题模型之前，本文利用R语言中的segmentCN中文分词函数之后去除了停止词。当然这里同样可以使用Python中的jieba去除停用词。

停用词是指在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据（或文本）之前或之后会自动过滤掉某些字或词，这些字或词即被称为Stop Words（停用词）。这些停用词都是人工输入、非自动化生成的，生成后的停用词会形成一个停用词表。

本文用到的停用词库中含有1959个常用停止词，
这里给出云盘链接，需要者自取：https://pan.baidu.com/s/1j7hxe6uFP_rUiHNxsKnkqw
提取码：au37

## 一、数据预处理（初始数据整理）
## 1.4读取资料库
setwd("G:\\课程\\研一\\回归分析")
#clipboard指的是HuXiu.txt用notepad打开后复制，防止中文乱码
csv <- read.table("clipboard",header=T, stringsAsFactors=F,quote = "",encoding="utf-8")
mystopwords<-unlist(read.table("StopWords.txt",stringsAsFactors=F,quote = ""))
###解决乱码问题
head(csv)
dim(csv)
colnames(csv)<-c("text")
## 1.5.数据预处理（中文分词、stopword处理）
#install.packages("tm",lib="G:\\R语言\\R语言学习\\安装包")
#install.packages("Rcpp",lib="G:\\R语言\\R语言学习\\安装包")
#install.packages("slam",lib="G:\\R语言\\R语言学习\\安装包")
#install.packages("xml2",lib="G:\\R语言\\R语言学习\\安装包")
#install.packages("rJava",lib="G:\\R语言\\R语言学习\\安装包")
library(xml2,lib="G:\\R语言\\R语言学习\\安装包")
library(Rcpp,lib="G:\\R语言\\R语言学习\\安装包")
library(slam,lib="G:\\R语言\\R语言学习\\安装包")
library(NLP,lib="G:\\R语言\\R语言学习\\安装包")
library(tm,lib="G:\\R语言\\R语言学习\\安装包")
#只有RJava配置成功了，Rwordseg安装才可能成功，前者是后者的依赖包
#install.packages("rJava",lib="G:\\R语言\\R语言学习\\安装包")
library(rJava,lib="G:\\R语言\\R语言学习\\安装包")
#手动下载安装包Rwordseg，然后本地安装
library(Rwordseg,lib="G:\\R语言\\R语言学习\\安装包")
#(1)移除数字函数
removeNumbers = function(x) { ret = gsub("[0-9０１２３４５６７８９]","",x) }
#(2)segmentCN分词函数
#中文分词，也可以考虑使用 rmmseg4j、rsmartcn 
wordsegment<- function(x) { 
  library(Rwordseg) 
  segmentCN(x)
} 
#(3)去除停止词函数 
removeStopWords = function(x,words) {     
  ret = character(0) 
  index <- 1 
  it_max <- length(x) 
  while (index <= it_max) { 
    if (length(words[words==x[index]]) <1) ret <- c(ret,x[index]) 
    index <- index +1 
  } 
  ret 
} 
#（1）移除数字
sample.words <- lapply(data[,1], removeNumbers) 
dim(as.matrix(sample.words))
head(sample.words)
#（2）中文分词
sample.words <- lapply(sample.words, wordsegment) 
dim(as.matrix(sample.words))
sample.words[1:6]
#（3）移除停止词
#先处理中文分词，再处理 stopwords，防止全局替换丢失信息,
#下面这句运行时间较长 
sample.words <- lapply(sample.words, removeStopWords, mystopwords) 
dim(as.matrix(sample.words))
sample.words<-as.matrix(sample.words)
head(sample.words)
text<-sample.words[,1]
colnames(sample.words)<-c("text")
write.csv(as.matrix(sample.words),"delateddata.txt")
write.csv(as.matrix(sample.words),"delateddata.csv")

去掉停止词后的结果为下：

image.png

接着，我们继续使用Jupyter来进行LDA模型；
在Jupyter Notebook中新建一个Python 3笔记本，起名为LDA。

image.png

导入文件处理包os

import os
os.chdir('G:\\课程\\研一\\回归分析')  # 打印当前工作目录

为了处理表格数据，我们依然使用数据框工具Pandas。先调用它。

import pandas as pd

读入我们的数据文件，clipboard指的是delateddata.txt用notepad打开复制，为防止乱码，注意参数encoding设置为utf-8；

df=pd.read_clipboard()

查看数据的前几行，

df.head()

结果为下：

image.png

查看数据维度

df.shape

image.png

导入jieba分词包

import jieba

我们此次需要处理的，不是单一文本数据，而是28197条文本数据，因此我们需要把这项工作并行化。这就需要首先编写一个函数，处理单一文本的分词。

def chinese_word_cut(mytext):
    return " ".join(jieba.cut(mytext))

有了这个函数之后，我们就可以不断调用它来批量处理数据框里面的全部文本（正文）信息了。你当然可以自己写个循环来做这项工作。但这里我们使用更为高效的apply函数。

df["title_cutted"] = df.title.apply(chinese_word_cut)

执行完毕之后，我们需要查看一下，文本是否已经被正确分词。

df.title_cutted.head()

结果为下：

image.png

接下来我们对这些本文做向量化，所谓文本向量化，指的就是形成一个28197（文档个数）*n（文本中所有词的数量）的0-1矩阵，特定词在这个文档出现记为1，否则为0。若选取所有词的话，这必然是一个很大的矩阵，因此在之前的操作中，本文从所有的词中选取了1000关键词。

from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer

处理的文本里面有大量的词汇。我们不希望处理所有词汇。因为一来处理时间太长，二来那些很不常用的词汇对我们的主题抽取意义不大。所以这里做了个限定，只从文本中提取1000个最重要的特征关键词，然后停止。

n_features = 1000

下面我们开始关键词提取和向量转换过程：

tf_vectorizer = CountVectorizer(strip_accents = 'unicode',
                                max_features=n_features,
                                stop_words='english',
                                max_df = 0.5,
                                min_df = 10)

tf = tf_vectorizer.fit_transform(df.title_cutted)

现在，开始我们的LDA模型，先导入软件包

from sklearn.decomposition import LatentDirichletAllocation

至于主题数量，到底确定几个主题，这个确实不能事知道的，我们可以一步步不断地优化和观察各种数量的主题分类，取其最优。也可制定具体的量化标准，确定几个主题是最佳，附上参考链接：https://blog.csdn.net/lwhsyit/article/details/82750218
此文在17点中，阐述了如何寻找最佳主题数量，并制定了量化标准，像下图这样，由于时间关系，不做具体说明：

LDA.jpg
我们暂定5个分类：

n_topics = 5
lda = LatentDirichletAllocation(n_topics=n_topics, max_iter=50,
                                learning_method='online',
                                learning_offset=50.,
                                random_state=0)
lda.fit(tf)

最后一句运行时间较长，
主题没有一个确定的名称，而是用一系列关键词刻画的。我们定义以下的函数，把每个主题里面的前若干个关键词显示出来：

def print_top_words(model, feature_names, n_top_words):
    for topic_idx, topic in enumerate(model.components_):
        print("Topic #%d:" % topic_idx)
        print(" ".join([feature_names[i]
                        for i in topic.argsort()[:-n_top_words - 1:-1]]))
    print()

定义好函数之后，我们暂定每个主题输出前20个关键词。

n_top_words = 20

以下命令会帮助我们依次输出每个主题的关键词表：

tf_feature_names = tf_vectorizer.get_feature_names()
print_top_words(lda, tf_feature_names, n_top_words)

执行结果为下：

Topic #0:
电影 产品 科技 融资 ai 直播 公司 媒体 嗅评 经济 驾驶 员工 创新 回应 区块 票房 创始人 故事 网易 美团
Topic #1:
微信 视频 小米 华为 乐视 数据 上市 人工智能 营销 社交 巨头 头条 共享 支付宝 支付 北京 单车 雷军 bat 医疗
Topic #2:
苹果 创业 百度 未来 手机 ceo 晚报 世界 背后 内容 发布 平台 微软 vr 特斯拉 消费 生意 技术 流量 小米
Topic #3:
中国 早报 亿美元 市场 游戏 谷歌 美国 滴滴 企业 汽车 iphone 用户 资本 估值 三星 uber 全球 特朗普 贾跃亭 赚钱
Topic #4:
互联网 阿里 公司 投资 电商 京东 收购 时代 金融 马云 亚马逊 亿元 品牌 创业者 行业 广告 智能 机会 日本 万达

接下来，来点有趣的，使其变得可视化：

import pyLDAvis
import pyLDAvis.sklearn
pyLDAvis.enable_notebook()
pyLDAvis.sklearn.prepare(lda, tf, tf_vectorizer)
data = pyLDAvis.sklearn.prepare(lda, tf, tf_vectorizer)
pyLDAvis.show(data)

以上代码需要一段时间，耐心等待：
图的左侧，用圆圈代表不同的主题，圆圈的大小代表了每个主题分别包含文章的数量。

图的右侧，列出了最重要（频率最高）的30个关键词列表。注意当你没有把鼠标悬停在任何主题之上的时候，这30个关键词代表全部文本中提取到的30个最重要关键词。

如果你把鼠标悬停在2号上面：

image.png

右侧的关键词列表会立即发生变化，红色展示了每个关键词在当前主题下的频率。

以上是认为设定主题数为5的情况。可如果我们把主题数量设定为10呢？(如果你要继续运行代码，需要点一下Kernel下面的Interrupt按钮)

n_topics = 10
lda = LatentDirichletAllocation(n_topics=n_topics, max_iter=50,
                                learning_method='online',
                                learning_offset=50.,
                                random_state=0)
lda.fit(tf)
print_top_words(lda, tf_feature_names, n_top_words)
pyLDAvis.sklearn.prepare(lda, tf, tf_vectorizer)
data = pyLDAvis.sklearn.prepare(lda, tf, tf_vectorizer)
pyLDAvis.show(data)

程序输出给我们10个主题下最重要的20个关键词:

Topic #0:
中国 阿里 滴滴 乐视 金融 亚马逊 特朗普 广告 头条 日本 流量 音乐 体育 离职 ofo 万科 报告 成立 影业 版权
Topic #1:
苹果 早报 亿美元 汽车 晚报 人工智能 亿元 技术 微软 创业者 巨头 智能 资本 vr 上市 生意 一场 bat 印度 电视
Topic #2:
谷歌 数据 融资 支付 北京 硅谷 事件 医疗 财报 计划 蚂蚁 价值 影响 程序 大战 生活 亿美金 泡沫 调查 解读
Topic #3:
美国 科技 企业 背后 媒体 嗅评 uber 零售 区块 雷军 增长 荣耀 ip 设计 聊聊 好莱坞 罗永浩 拯救 年轻人 真相
Topic #4:
小米 手机 微信 产品 iphone 特斯拉 发布 三星 模式 消费 美团 马斯克 人类 告诉 升级 明星 时间 逻辑 危机 马化
Topic #5:
创业 投资 电商 京东 收购 时代 共享 内容 品牌 平台 机会 万达 网络 创始人 单车 ipo 成功 产业 融资 城市
Topic #6:
视频 电影 世界 经济 驾驶 赚钱 创新 行业 商业 故事 app 网易 机器人 转型 自动 付费 国产 上海 焦虑 网站
Topic #7:
游戏 直播 马云 社交 支付宝 oo facebook 领域 投资人 改变 微博 盈利 股东 项目 入股 合作 独角兽 平台 揭秘 尴尬
Topic #8:
公司 互联网 百度 华为 估值 早报 贾跃亭 回应 票房 市值 员工 刘强 风口 李彦宏 业务 联想 文化 香港 运营商 上市
Topic #9:
市场 未来 ceo 中国 ai 用户 营销 全球 股价 体验 淘宝 监管 银行 十年 发布会 小时 特币 无人机 案例 粉丝

你会发现当主题设定为10的时候，会有一些抱团现象出现。

image.png

本文分别绘制了主题数量为4—10的LDA图，经过分析，选取分类数量为5，可以分析：

• 主题1：无人驾驶
  相信大家都还记得上一届百度AI开发者大会，时任百度COO的陆奇在介绍Apollo计划之前，连线了一场视频直播：李彦宏正嘚瑟地坐在一辆百度和博世一起开发的、基于Apollo技术的自动驾驶汽车里，摆大爷劲儿。眼球是赚足了，李大爷也结结实实地在北京五环上吃到了一张罚单。

  2017年4月19日，百度正式宣布推出阿波罗（Apollo）计划。用百度的话说，阿波罗计划是百度AI中重要的一部分，它要向汽车行业及自动驾驶领域的合作伙伴提供一个开放、完整、安全的软件平台，帮助他们结合车辆和硬件系统，快速搭建一套属于自己的完整的自动驾驶系统。

  新型汽车启动自然有其原因，中国市场不可忽视，而像通用、福特、宝马、奔驰等此前花了大量金钱投入研发的车企也等于花了一大笔“冤枉钱”，百度可谓是自动驾驶圈中的“半壁江山”。

  谷歌无人驾驶[谷歌开启无人驾驶商用时代：无人出租车即将开始接单]
  https://baijiahao.baidu.com/s?id=1619098384974738839&wfr=spider&for=pc

  滴滴无人驾驶[https://baijiahao.baidu.com/s?id=1614383642553153149&wfr=spider&for=pc]

  Uber无人驾驶[自动驾驶遭遇信任危机，Uber叫停美国无人驾驶测试]https://baijiahao.baidu.com/s?id=1595626162824376577&wfr=spider&for=pc

  还有跑到美国不敢回来，融资造车的乐视老总贾跃亭http://news.bitauto.com/hao/wenzhang/841505

  而贾跃亭与恒大许家印签约，前段时间还在因为资本问题打官司。恒大与特朗普集团又有合作。

• 主题2：电商

  像关键词中出现的互联网、电商、阿里、京东、马云、 亚马逊等以及线下的万达、零售等，主题还是相当明显的。

• 主题3 : 产业发展
  像电影产业、科技产业、直播产业、媒体、最新的区 块链技术等，这一主题集中于各种产业的产业发展。

• 主题4：互联网战略
  这一专题阐述的是像苹果、特斯拉、百度、微软、小米这些互联网公司，以及拉斯拉老总马斯克、百度老总李彦宏这些领导人，他们对未来科技的战略部署，像：手机、平台、技术、流量、app、音乐、虚拟现实、人类体验等。

• 主题5：用户社交
  像微信、视频、华为、小米、乐视、微博等，这一主题反映了用户社交方面的情况。

七、总结

• 本文分析了优秀的文章，好的标题应该怎么写，这对未来投稿、写推送等很有帮助，也推荐关注了一些优秀作者；
• 文本分析了2013-2018年来的热点事件和互联网技术这些年来的各种变革，新的技术涌现，旧的技术不断成熟或者被市场淘汰，这对我们对整体的大局把控有一定帮助；
• 文本利用主题模型分析了虎嗅网文章的专注领域，包括电商、互联网战略、互联网下的用户社交和IT界新兴技术无人驾驶等。说明虎嗅网主要集中于互联网，以互联网巨头BAT的热点和未来战略为牵动展开分析和文章评论。这也恰恰成为了它小众的原因之一，不像今日头条一样，涵盖了生活、学习、情感、工作、娱乐、时政、国际等各种方面的新闻。

八、参考文献

• [以虎嗅网4W+文章的文本挖掘为例，展现数据分析的一整套流程]
  http://www.360doc.com/content/17/1212/14/27972427_712404479.shtml

注：文本旨在抛砖引玉，如有不同意见，欢迎商榷。

Written By LXP