前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
最近一直在关注百度明星吧，发现很多有趣的帖子，于是我就想用python把这些帖子都爬下来，并对内容进行分析。
本文的知识点：
下面给大家详细介绍一下实现过程：
贴吧的翻页通过url的变化来实现，主要是pn参数:
https://tieba.baidu.com/f?kw=明星&ie=utf-8&pn=页数*50帖子的内容、发帖者及跟帖数量都可以在网页中找到：
所以，我们只需要用requests模拟请求获得，再用bs4解析就可以获得想要的内容了
1.爬取数据
用了静态网页爬虫的老套路，根据网页源码的特点，用find_all函数提取了帖子、发帖人及跟帖数量等信息，并将3类信息放入列表中，最终生成1个二维列表result，主要为了方便存入数据库，代码如下：
for t in range(250): print(‘第{0}页‘.format(t+1)) url=‘https://tieba.baidu.com/f?kw=明星&ie=utf-8&pn={0}‘.format(t*50) header = { ‘User-Agent‘: ‘Mozilla/5.0(Windows NT 6.1; Win64; x64; rv:69.0) Gecko/20100101 Firefox/69.0‘ } response = requests.get(url, header) soup = BeautifulSoup(response.text, ‘html.parser‘) items_content = soup.find_all(‘a‘, class_=‘j_th_tit‘) #内容 items_user = soup.find_all(‘span‘, class_=‘tb_icon_author‘) #昵称 items_comment = soup.find_all(class_=‘threadlist_rep_num center_text‘) #跟帖数量 for i, j, k in zip(items_content, items_user, items_comment): result.append([i.get(‘title‘), j.get(‘title‘)[5:], k.text]) time.sleep(1)
2.存入数据库
先创建1个新表，命名为‘STAR’，然后再创建3列，分别命名为“title”、‘author’和‘num’，用于存放1中怕的内容，最后将二维列表result中的内容存入数据库：
conn=pymysql.connect( host=‘127.0.0.1‘, port=3306, user=‘root‘, password=‘数据库密码‘, db=‘test1‘, charset=‘utf8mb4‘ ) cur = conn.cursor() #如果存在TIEBA表，则删除 cur.execute("DROP STAR IF EXISTS STAR") #创建TIEBA表 sql = """ create table STAR( title char(255), author char(100), num char(20)) """ cur.execute(sql) for i in result: cur.execute("INSERT INTO STAR(title,author,num) VALUES (‘{0}‘,‘{1}‘,‘{2}‘)". format(i[0].replace(‘\‘‘,‘‘).replace(‘\"‘,‘‘).replace(‘\\‘,‘‘), i[1], i[2])) conn.commit()
由于帖子内容中存在表情等符号，所以选择用‘utf8mb4‘这样就可以把表情也存入数据库了，但是还有一些标点符号在写入过程会出错，所以用replace给替换掉了。
总共爬了250页数据，最后的结果如下：
总共爬了1万3千多条数据，基本把最近两年的帖子都爬完了。
用create_engine模块读取数据库表中的内容，代码如下：
import pandas as pd from sqlalchemy importcreate_engine # 初始化数据库连接，使用create_engine模块 engine =create_engine(‘mysql+pymysql://root:密码@127.0.0.1:3306/test1‘) # 查询语句，选出STAR表中的所有数据 sql = ‘‘‘ select *from STAR; ‘‘‘ # read_sql_query的两个参数: sql语句， 数据库连接 df =pd.read_sql_query(sql, engine) # 输出STAR表的查询结果 df[‘num‘]=[int(i) for i in list(df[‘num‘])] df=df.drop_duplicates(subset=[‘title‘,‘author‘,‘num‘], keep=‘first‘)
因为跟帖数量是以字符格式存入的，所以先将其转为整数，再用drop_duplicates模块对数据进行去重，这样就把数据整理完毕了。
上万条数据放在你面前，用肉眼是看不出什么名堂的，所以我这里选择了几个角度，用python统计分析这个贴吧里到底隐藏着什么秘密
1.找出发帖数量最多的20个人
说简单点就是创建1个空字典，然后把df[‘author‘]转成列表，统计列表中元素个数，将元素及个数存入字典中，再对字典进行排序，将前十个画成柱状图，代码如下：
#发帖数量排名 rank_num={} for i in list(set(list(df[‘author‘]))): rank_num[i.replace(‘ ‘, ‘‘)] = list(df[‘author‘]).count(i) rank_num = sorted(rank_num.items(), key=lambda x: x[1], reverse=True) bar = Bar("柱状图", "发帖数量-昵称") bar.add("发帖数量-昵称", [i[0] for i in rank_num[:10]], [i[1] for i in rank_num[:10]], xaxis_rotate=45, mark_line=["average"], mark_point=["max", "min"]) bar.render(‘发帖数量-昵称.html‘)
结果如下：
这个猎头发帖有点猛啊，单人最高发了751个，真厉害。
2.找出跟帖数最多的20个帖子
dff=df.sort_values(by=‘num‘, ascending=False).head(10) bar = Bar(‘跟帖数量排名‘,width=1000,height=400) bar.use_theme(‘dark‘) bar.add(‘‘ ,dff[‘title‘][::-1], dff[‘num‘][::-1], is_convert=True, is_yaxis_inverse=False, xaxis_rotate=45,is_label_show=True,label_pos=‘right‘) bar.render("跟帖数量排名.html")
结果如下：
跟帖最多的竟然是个水贴，数量高达73459次
3.制作所有帖子的词云图
先把所有帖子连接成字符，用jieba进行分词，插入背景图片，代码如下：
import matplotlib.pyplot as plt import jieba from wordcloud importwordcloud text=‘‘ for i in list(df[‘title‘]): text+=i print(text) cut_text = jieba.cut(text) result=[] for i in cut_text: result.append(i) result = " ".join(result) wc = wordcloud.WordCloud( font_path=‘C:\Windows\Fonts\FZBWKSJW.TTF‘, # 字体路径 background_color=‘white‘, # 背景颜色 width=1000, height=600, max_font_size=1000, # 字体大小 min_font_size=10, mask=plt.imread(‘水滴.jpg‘), # 背景图片 max_words=100000) wc.generate(result) wc.to_file(‘result.png‘) # 图片保存
效果如下：
看了这张词云图，可以确定贴吧基本已经被猎头占领了，连肖战、李现等流量小生都被压下去了。
原文：https://www.cnblogs.com/hhh188764/p/13199646.html