我把@群主和@小佳的代码都敲了一下，学习了一下爬虫和pandas的简单的使用，也碰到了很多问题，这里总结一下。
一、爬虫代码如下：
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup
import pymysql
import re
import datetime
headers={'user-agent':'Mozilla/5.0 (windows NT 10.0;Win64;x64) AppleWebKit/537.36 (KHTML,like Gecko Chrome/70.0.3538.102 Safari/537.36'}
def get_page_index(number):
url = 'https://www.jianshu.com/c/af12635a5aa3?order_by=added_at&page=%s'%number
try:
responses=requests.get(url,headers=headers)
if responses.status_code==200:
return responses.text
return None
except requests.exceptions.RequestException:
print('Request ERR!')
return None
def parse_index_page(html):
soup = BeautifulSoup(html, 'html.parser')
note_list = soup.find_all('ul', class_='note-list')[0]
content_li = note_list.find_all('li')
dir={}
for link in content_li:
url = link.find_all('a', class_='title')[0]
title=url.contents[0]
link='http://www.jianshu.com'+url.get('href')
#title may be duplicate,but link is unique
dir[link]=title
return dir
def get_page_detail(url):
try:
responses=requests.get(url,headers=headers)
if responses.status_code==200:
return responses.text
return None
except requests.exceptions.RequestException:
print('DETAIL Requests ERR!')
return None
def parse_detail_page(title,html):
soup=BeautifulSoup(html,'html.parser')
name=soup.find_all('div',class_='info')[0].find_all('span',class_='name')[0].find_all('a')[0].contents[0]
content_detail=soup.find_all('div',class_='info')[0].find_all('div',class_='meta')[0].find_all('span')
content_detail=[info.contents[0] for info in content_detail]
publish_time=content_detail[0].strip('*')#提前去除*号
word=content_detail[1]
word_num=int(word.split()[1])
texts=soup.find_all('div',class_='show-content-free')
#用正则表达式去除各种标签
reg1 = re.compile("<[^>]*>")
contents = reg1.sub('', str(texts))
contents=''.join([line.strip('\n') for line in contents])
return title,name,publish_time,word_num,contents
def save_to_mysql(title,name,publish_time,word_num,contents):
cur=CONN.cursor()
insert_cmd="INSERT INTO exercise(name,title,publish_time,word_num,contents)" "VALUES(%s,%s,%s,%s,%s)"
val=(name,title,publish_time,word_num,contents)#把val直接传到insert_data会报错
try:
cur.execute(insert_cmd,val)
CONN.commit()
except:
CONN.rollback()
CONN=pymysql.connect('localhost','root','123456','crazydatadb')
def main():
for number in range(1,12):
html=get_page_index(number)
dir=parse_index_page(html)
for link,title in dir.items():
html=get_page_detail(link)
title,name,publish_time,word_num,contents=parse_detail_page(title,html)
#print(title, name, publish_time, word_num,contents)
start_time=datetime.datetime.strptime('2018.12.10 00:00','%Y.%m.%d %H:%M')
end_time=datetime.datetime.strptime('2018.12.17 00:00','%Y.%m.%d %H:%M')
if start_time<datetime.datetime.strptime(publish_time,'%Y.%m.%d %H:%M')<end_time:
save_to_mysql(title,name,publish_time,word_num,contents)
if __name__=='__main__':
main()
我增加的几个细节：
1爬取正文内容，并用正则去除html标记符号：
texts=soup.find_all('div',class_='show-content-free')
reg1 = re.compile("<[^>]*>")
contents = reg1.sub('', str(texts))
contents=''.join([line.strip('\n') for line in contents])
2进行时间筛选,只选第一周的文章
这里用了datetime包，可以直接比较大小：
start_time=datetime.datetime.strptime('2018.12.10 00:00','%Y.%m.%d %H:%M' )end_time=datetime.datetime.strptime('2018.12.17 00:00','%Y.%m.%d %H:%M')
if start_time<datetime.datetime.strptime(publish_time,'%Y.%m.%d %H:%M')<end_time:
save_to_mysql(title,name,publish_time,word_num,contents)
3细节
这里用'html.parser'解析出来的html文件就是没有评论数、喜欢数和阅读数的，虽然用检查可以看到他们的标签，这是因为这部分是由js动态控制，具体的爬取方法我还没找到，希望有人研究了可以告诉我！
二、数据分析代码
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import pymysql
from os import path
#数据分析与可视化
import pandas as pd
import matplotlib.pyplot as plt
#词云
from wordcloud import WordCloud
import jieba
from dateutil.parser import parse
#文件目录
DIR = path.dirname(__file__)
#导入数据
CONN=pymysql.connect('localhost','root','123456','crazydatadb')
select_cmd="SELECT * from exercise"
data=pd.read_sql(select_cmd,CONN)
data.info()
print(data.head())
print(data.name.nunique())
#数据清洗
for pt in data.publish_time:
pt=parse(pt)#将数据变为2018-12-16 23:38:00格式
#日期
data.publish_time=pd.to_datetime(data.publish_time)
data['date']=data.publish_time.dt.day
data.groupby(['date'])['name'].count().plot(kind='bar')
plt.show()
data['hour']=data.publish_time.dt.hour
data.groupby(['hour'])['name'].count().plot(kind='bar')
plt.show()
#字数
data.word_num=data.word_num.astype('int')#改变数据类型
print(data.groupby(['name'])['word_num'].sum().describe())
print(data.groupby(['name'])['word_num'].sum().sort_values(ascending=False).head(5))
#篇数
print(data.groupby(['name'])['title'].count().sort_values(ascending=False).head(5))
#词云
#标题分析
titles=''
for title in data['title']:
titles+=title
#全文分析
contents=''
for content in data['contents']:
contents+=content
def word_segment(text):
#读取标点符号库
f=open(path.join(DIR,'crazydata_stopwords.txt'))
stopwords={}.fromkeys(f.read().split('\n'))
f.close()
#加载用户自定义词典
jieba.load_userdict(path.join(DIR,'crazydatadict.txt'))
segs=jieba.cut(text)
text_list=[]
#文本清洗
for seg in segs:
if seg not in stopwords and seg!=' ' and len(seg)!=1:
text_list.append(seg.replace(' ',''))
cloud_text=','.join(text_list)
#print(len(cloud_text))
wc=WordCloud(background_color='White',max_words=200,font_path='./fonts/simhei.ttf',min_font_size=15, max_font_size=60, width=400)
wc.generate(cloud_text)
wc.to_file(text_list[0]+'crazy_word.png')
word_segment(titles)
word_segment(contents)
详细的讲解可以看@小佳的。因为统计时间做了限制,搜集到了64篇，这里放一下结果：
数据的信息
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 64 entries, 0 to 63
Data columns (total 6 columns):
id 64 non-null int64
title 64 non-null object
name 64 non-null object
publish_time 64 non-null object
word_num 64 non-null int64
contents 64 non-null object
dtypes: int64(2), object(4)
memory usage: 3.1+ KB
文章数：64，作者：48
字数统计信息：
count 48.000000
mean 916.625000
std 1575.740159
min 64.000000
25% 299.750000
50% 421.500000
75% 647.750000
max 8617.000000
字数合计：
夜希辰 8617
Lykit01 5884
1点点De小任性丶 4305
262153 3559
凡人求索 2005
篇数合计：
夜希辰 5
凡人求索 3
Lykit01 3
1点点De小任性丶 3
肖月_1d28 3
可以看到字数差别巨大，标准差也很大。夜希辰同学是最勤奋的了，向他学习！
下面的图可能对比更直观。（中文字体显示有误，以后要研究一下怎么解决。）
字数
发表时间
图上只有6天，这并不是统计有误，而是10号那天没人投稿。可以看到大家的投稿日期集中在周末。
分布日期
发布时间集中在11点左右和22点—24点，结束了半天或者一天的学习，正是写文章总结的好时候。
分布时间
词云
在做词云时，加载了停用词字典，过滤掉了一些干扰词。这些常用词也被我过滤掉了：时间、事件、知识、内容、学习
f=open(path.join(DIR,'crazydata_stopwords.txt'))
另外加载了自定义的一些词，不过这些词并没有体现在下面的结果中，后续还要增加一些词，现有的如下：凡人求索、小佳、简书、专栏、群主、疯狂数据分析
jieba.load_userdict(path.join(DIR,'crazydatadict.txt'))
(注意加载自定义词典时，要注意将txt编码为utf-8格式，txt默认的格式是ANSI格式。)
文章标题词云
从标题上来看，重点集中在计划上，非常符合第一周的主题。同时python、SQL、统计、实战这四个主题都显示出来了。关于统计的词比较多。关于初学者的“小白”、“入门”、“初步”，也比较多，看来新手很多，大家一起加油！
正文词云
从中文内容来看，信息就丰富很多了。除了提供标题提供的信息外，还有很多细节信息，比如工具上除了python还有excel。左下角还有两个头发hhh希望大家都能变强！右下角乱入了方言和调查，这是我的私货了，举例时这几个词用的比较多，而且我写字比较啰嗦。
这周结束后，还可以做每个作者的周对比分析，感觉会很有意思~感觉还可以做每个人的文章内容分析，看看学习的聚焦的点。如果有多余的时间的话我再试试。先分析这么多吧。
小佳同学总结的很好了，我就不啰嗦了。这里再说几个我这个小白做这个折腾的几个问题：
1.这句代码是在jupyter notebook中使用的，作用是当你调用matplotlib.pyplot的绘图函数plot()进行绘图的时候，或者生成一个figure画布的时候，可以直接在你的python console里面生成图像。在spyder或pycharm里使用时可以注释掉。
%matplotlib inline
在pycharm里实现同样的效果，可以用plt.show()
2.遇到pandas、numpy等import出错时，可能是环境配置报错，可以先卸载，然后再重装.
pip uninstall numpy
pip install numpy
重装的时候会把环境配置也重新装一遍。网上也有其他方法，但是不如这个方法有效。
3.用anaconda时尽量不要pip install pyqt5，也不要conda upgrade --all，这样会导致anaconda可能打不开。具体原因我还没搞清楚，不过我重装了anaconda才解决，比较折腾。
明天写leetcode题解！
网友评论