-->

python深挖65万人的明星贴吧，探究上万个帖子的秘密

2020-08-15 19:27发布

站内文章 / 后端开发

37 0

我欲成王，谁敢阻挡

女 | 书童

私信

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：

介绍了mysql数据库内容插入及提取的简单应用；
介绍了如何从mysql数据库提取文本并进行分析；
介绍了数据分析的切入点及思路。

下面给大家详细介绍一下实现过程：

一、网站分析

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

二、python编程实现

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。

三、可视化展示

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