Python抓取分析“创造101 ”菊姐微博
前言
前一段時間，創造101很火，這個火是可以理解的，畢竟中國首部女團節目。但是還有一個人不知道為啥突然也火了，那就是我們的菊姐。關于菊姐為什么火，網上已經有很多發文了，這里就不再贅述了。
我們抓取了菊姐的最新微博評論，將評論分詞以后制作成如下詞云圖。
這里的海外指大陸+港澳臺以外的其他所有地方。
除海外用戶以外就北上廣的用戶最多了，這些地方的互聯網用戶基數本來就大。
菊粉分布Top20城市因為北京上海比較特殊，北京上海的一些區相當于北京上海這兩個省下面的市區，所以你會看到一些北京上海的區域也進入了榜單，比如說朝陽群眾。
菊粉星座分布但是大家都很愛學習，都想要代碼學習學習，所以今天就專門來一篇講講代碼。
在開始具體的代碼講解之前，我需要說明一下關于菊粉人數中摩羯座人數最多這個結論的一些爭議，有人評論說微博用戶如果不設置年齡的話，默認就是1月1，也就是摩羯座，所以摩羯座人數比較多。先來看兩張圖：
通過上面幾張截圖來看的話，如果未設置年齡時，并不會默認顯示成摩羯座，所以應該就不存在大家說的那種情況。
還有所在地和家鄉是可以選擇則其他的，性別、年齡、星座是不可以選擇其他。我們本次就是要獲取這幾個字段。
本篇主要分為三個部分：
數據獲取
數據預處理
可視化圖表制作
數據抓取
先講講數據抓取的邏輯，最終目的就是要找到pick王菊的人都是哪些人，剛開始想的是直接抓取王菊的粉絲列表，但是后來發現微博數據有限制，只能抓取少量的粉絲列表，所以這個方案行不通，只能換下一個。
在小歪大佬的建議下，決定抓取王菊微博留言下面的用戶，因為這些用戶是和王菊有過互動的，要比那些只關注沒有互動（這里的互動只指評論這一動作）的用戶粉的程度要大，更有代表性。
所以最終的一個數據抓取思路就是：通過獲取微博評論下的用戶，然后進而獲取用戶基本信息，具體實現代碼如下：
獲取每條微博評論url
我們先隨便點擊一條微博的評論進去，看看我們要的字段都在哪里。
可以看到，有評論text，以及每一條text對應的user_id，找到了字段位置，我們再來看看這些字段對應url是什么，有什么規律。
通過查看這個urlhttps://m.weibo.cn/api/comments/show?id=4248590911655823&page=1，我們大概可以猜出，id前面的部分https://m.weibo.cn/api/comments/show?應該是所有微博評論都一樣的，id值是唯一的，每一個id對應一條微博，而page是表示一條微博的評論存放在多頁里面，經過驗證確實如此，而且page最大值就是100，100以后就不返回數據了。
所以接下來我們的目標就是獲取每條微博對應的唯一id值。回到用戶主頁，
可以看到每條微博的發布時間，以及微博id,也就是只需要解析用戶主頁url就可以得到該用戶的每條微博對應的id值。
獲取到每條微博的id值以后，我們就可以獲取到每條微博評論的url，具體代碼如下：
#導入相關庫import requests
import json
comment_parameter = []#用來存放weibo_id值
comment_url = []#用來存放weibo_url
#獲取每條微博的id值
url = 'https://m.weibo.cn/api/container/getIndex?uid=1773294041&luicode=10000011&lfid=100103type%3D1%26q%3D%E7%8E%8B%E8%8F%8A&\featurecode=20000320&type=uid&value=1773294041&containerid=1076031773294041'
c_r = requests.get(url)
for i in range(2,11):
? ?c_parameter = (json.loads(c_r.text)["data"]["cards"][i]["mblog"]["id"])
? ?comment_parameter.append(c_parameter)
#獲取每條微博評論url
c_url_base = 'https://m.weibo.cn/api/comments/show?id='
for parameter in comment_parameter:
? ?for page in range(1,101):#提前知道每條微博只可抓取前100頁評論
? ? ? ?c_url = c_url_base + str(parameter) + "&page=" + str(page)
? ? ? ?comment_url.append(c_url)
獲取每個user_id和comment
上面獲取到每條微博評論的url以后，我們就可以直接請求對應的url，然后把user_id和text解析出來即可，實現代碼如下：
user_id = []#用來存放user_idcomment = []#用來存放comment
for url in comment_url:
? ?u_c_r = requests.get(url)
? ?try:
? ? ? ?for m in range(0,9):#提前知道每個url會包含9條用戶信息
? ? ? ? ? ?one_id = json.loads(u_c_r.text)["data"]["data"][m]["user"]["id"]
? ? ? ? ? ?user_id.append(one_id)
? ? ? ? ? ?one_comment = json.loads(u_c_r.text)["data"]["data"][m]["text"]
? ? ? ? ? ?comment.append(one_comment)
? ?except:
? ? ? ?pass
獲取containerid
獲取到了user_id以后，我們再來看看我們想要獲取的字段在哪，如下圖，
知道了我們想要獲取的字段在哪以后，再看看這些字段對應的url是什么？
看到這個url以后我們又可以猜測，每個用戶信息對應的url應該只有value&containerid這兩個值是不一樣的，其他都是一樣的，經驗證，缺失如此，且value值就是user_id，containerid是另外一個唯一值，所以我們接下來的目標是獲取每個用戶對應的containerid。具體實現代碼如下：
user_base_url = "https://m.weibo.cn/api/container/getIndex?type=uid&value="
for id in set(user_id):#需要對user_id去重
? ?containerid_url = user_base_url + str(id)
? ?try:
? ? ? ?con_r = requests.get(containerid_url)
? ? ? ?one_containerid = json.loads(con_r.text)["data"]['tabsInfo']['tabs'][0]["containerid"]
? ? ? ?containerid.append(one_containerid)
? ?except:
? ? ? ?containerid.append(0)
獲取用戶基本信息
知道了user_id以及containerid,我們就可以唯一確定一個用戶的基本信息，具體實現代碼如下：
#這里需要設置headers以及cookie模擬登陸feature = []#存放用戶基本信息
id_lose = []#存放請求失敗id
user_agent = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36"
headers = {"User-Agent":user_agent}
m = 1
for num in zip(user_id,containerid):
? ?url = "https://m.weibo.cn/api/container/getIndex?uid="+str(num[0])+"&luicode=10000011&lfid=100103type%3D1%26q%3D&featurecode=20000320&type=uid&value="+str(num[0])+"&containerid="+str(num[1])
? ?try:
? ? ? ?r = requests.get(url,headers = headers,cookies = cookie)
? ? ? ?feature.append(json.loads(r.text)["data"]["cards"][1]["card_group"][1]["item_content"].split(" ?"))
? ? ? ?print("成功第{}條".format(m))
? ? ? ?m = m + 1
? ? ? ?time.sleep(1)#設置睡眠一秒鐘，防止被封
? ?except:
? ? ? ?id_lose.append(num[0])
#將featrue建立成DataFrame結構便于后續分析
user_info = pd.DataFrame(feature,columns = ["性別","年齡","星座","國家城市"])
最后的結果如下表：
可以看到，年齡和星座為空，并不是摩羯座，且當年齡和星座為空時，所在地就會錯位到年齡列，接下來就做一些數據預處理。
數據清洗
數據清洗邏輯如下：
對于國家列為空，星座列不空且不包含座字，則認為是國家城市名，則把星座列賦值給國家城市列
對于國家列為空，星座列也為空，年齡列不為空且不包含歲或座字，則把年齡列賦值給國家城市列
對于星座列為空，但是年齡列包含座字，則把年齡列賦值給星座列
對于星座列不包含座的，全部賦值為“未知”
對于年齡列不包含歲的，全部賦值為“999歲”(為便于后續好篩選)
對于國家列為空的，全部賦值為“其他”
具體代碼如下：
user_info1 = user_info[(user_info["性別"] == "男") | (user_info["性別"] == "女")]#去除掉性別不為男女的部分
user_info1 = user_info1.reindex(range(0,5212))#重置索引
user_index1 = user_info1[(user_info1["國家城市"].isnull() == True)&(user_info1["星座"].isnull() == False)
? ? ? ? ? ? ? ? ? ? ? ? &(user_info1["星座"].map(lambda s:str(s).find("座")) == -1)].index
for index in user_index1:
? ?user_info1.iloc[index,3] = user_info1.iloc[index,2]
user_index2 = user_info1[((user_info1["國家城市"].isnull() == True)&(user_info1["星座"].isnull() == True)
? ? ? ? ? ? ? ? ? ? ? ? ?&(user_info1["年齡"].isnull() == False)&(user_info1["年齡"].map(lambda s:str(s).find("歲")) == -1))].index
for index in user_index2:
? ?user_info1.iloc[index,3] = user_info1.iloc[index,1]
user_index3 = user_info1[((user_info1["星座"].map(lambda s:str(s).find("座")) == -1)&
? ? ? ? ? ? ? ? ? ? ? ? ?(user_info1["年齡"].map(lambda s:str(s).find("座")) != -1))].index
for index in user_index3:
? ?user_info1.iloc[index,2] = user_info1.iloc[index,1]
user_index4 = user_info1[(user_info1["星座"].map(lambda s:str(s).find("座")) == -1)].index
for index in user_index4:
? ?user_info1.iloc[index,2] = "未知"
user_index5 = user_info1[(user_info1["年齡"].map(lambda s:str(s).find("歲")) == -1)].index
for index in user_index5:
? ?user_info1.iloc[index,1] = "999歲"#便于后續統一處理
user_index6 = user_info1[(user_info1["國家城市"].isnull() == True)].index
for index in user_index6:
? ?user_info1.iloc[index,3] = "其他"
圖表制作
主要講講這篇報告中涉及到的圖表的制作，上一篇文章中的圖表我是用的BDP做的，因為BDP做出來的要比python做出來的美觀，而且方便，所以我就用了BDP，這篇主要是講代碼，所以就給大家用python實現一遍。
詞云圖制作
詞云圖制作是先把一大段話進行分詞，分成若干個詞語，然后對詞語進行計數，最后挑選出出現次數比較大的那些詞,繪制在同一張圖上，且出現次數越多，字體顯示越大，最終效果圖如下：
當然了，最后結果只是右半部分，左半部分是為了對比后期PS加上去的。具體實現代碼如下：
from collections import Counter
from PIL import Image,ImageSequence ?
from wordcloud import WordCloud,ImageColorGenerator
#因留言結構比較亂，所以先保存到本地做進一步處理
#刪除掉一些html元素
pd.DataFrame(comment).to_csv(r"C:\Users\zhangjunhong\Desktop\comment.csv")
#處理完以后再次載入進來
comment_data = pd.read_excel(r"C:\Users\zhangjunhong\Desktop\comment.xlsx")
#將數據轉換成字符串
text = (",").join(comment_data[0])
#進行分詞
cut_text = ' '.join(fool.cut(text))
#將分詞結果進行計數
c = Counter(cut_text)
c.most_common(500)#挑選出詞頻最高的500詞
#將結果導出到本地進行再一次清洗,刪除無意義的符號詞
pd.DataFrame(c.most_common(500)).to_excel(r"C:\Users\zhangjunhong\Desktop\fenci.xlsx")
#導入背景圖，這里選擇菊姐頭像
image = Image.open('C:/Users/zhangjunhong/Desktop/圖片1.png')
#將圖片信息轉換成數組形式
graph = np.array(image)
#設置詞云參數
#參數分別是指定字體、背景顏色、最大的詞的大小、使用給定圖作為背景形狀 ?
wc = WordCloud(font_path = "C:\\Windows\\Fonts\\simkai.ttf", background_color = 'White', max_words = 150, mask = graph) ?
fp = pd.read_csv(r"C:\Users\zhangjunhong\Desktop\da200.csv",encoding = "gbk")#讀取詞頻文件 ?
name = list(fp.name)#詞 ?
value = fp.time#詞的頻率 ?
dic = dict(zip(name, value))#詞以及詞頻以字典形式存儲 ?
#根據給定詞頻生成詞云
wc.generate_from_frequencies(dic)
image_color = ImageColorGenerator(graph) ?
plt.imshow(wc) ?
plt.axis("off")#不顯示坐標軸 ?
plt.show()
#保存結果到本地
wc.to_file('C:/Users/zhangjunhong/Desktop/wordcloud.jpg')
這里分詞沒有用jieba分詞，而是用了fool，據稱是最準確的中文分詞包，github地址：https://github.com/rockyzhengwu/FoolNLTK。
餅圖繪制
餅圖就很簡單了，代碼如下:
繪制男女比例的餅圖user_info1["性別"].value_counts(normalize = True).plot.pie(title = "菊粉男女分布",autopct='%.2f')
菊粉男女分布
柱狀圖繪制
先對年齡進行分區間，然后再進行統計繪制，代碼如下
#將把年齡從字符串變成數字user_info1["age_1"] = [int(age[:-1]) for age in user_info1["年齡"]]
#對年齡進行分組
bins = (0,10,20,25,30,100,1000)#將年齡進行區間切分
cut_bins = pd.cut(user_info1["age_1"],bins = bins,labels = False)
ax = cut_bins[cut_bins < 5].value_counts(normalize =True).plot.bar(title = "菊粉年齡分布")#將大于100歲的過濾掉
ax.set_xticklabels(["0-10歲","10-20歲","20-25歲","25-30歲","30+"],rotation = 0)
菊粉年齡分布
地圖繪制
#導入相關庫import matplotlib.pyplot as plt
import matplotlib
from matplotlib.patches import Polygon
from mpl_toolkits.basemap import Basemap
from matplotlib.collections import PatchCollection
#將省份和城市進行分列
country_data = pd.DataFrame([country.split(" ") for country in user_info1["國家城市"]],columns = ["省份","城市"])
#將國家和城市與user表合并
user_data = pd.merge(user_info1,country_data,left_index = True,right_index = True,how = "left")
#按省份進行分組計數
shengfen_data = user_data.groupby("省份")["性別"].count().reset_index().rename(columns = {"性別":"人次"})
#需要先對各省份地址進行經緯度解析
#導入解析好的省份經緯度信息
location = pd.read_table(r"C:\Users\zhangjunhong\Desktop\latlon_106318.txt",sep = ",")
#將省份數據和經緯度進行匹配
location_data = pd.merge(shengfen_data,location[["關鍵詞","地址","谷歌地圖緯度","谷歌地圖經度"]],
? ? ? ? ? ? ? ? ? ?left_on = "省份",right_on = "關鍵詞",how = "left")
#進行地圖可視化
#創建坐標軸
fig = plt.figure(figsize=(16,12))
ax ?= fig.add_subplot(111)
#需要提前下載中國省份地圖的.shp
#指明.shp所在路徑進行導入
basemap = Basemap(llcrnrlon= 75,llcrnrlat=0,urcrnrlon=150,urcrnrlat=55,projection='poly',lon_0 = 116.65,lat_0 = 40.02,ax = ax)
basemap.readshapefile(shapefile = "C:/Users/zhangjunhong/Desktop/CHN_adm/CHN_adm1",name = "china")
#定義繪圖函數
def create_great_points(data):
? ?lon ? = np.array(data["谷歌地圖經度"])
? ?lat ? = np.array(data["谷歌地圖緯度"])
? ?pop ? = np.array(data["人次"],dtype=float)
? ?name = np.array(data["地址"])
? ?x,y = basemap(lon,lat)
? ?for lon,lat,pop,name in zip(x,y,pop,name):
? ? ? ?basemap.scatter(lon,lat,c = "#778899",marker = "o",s = pop*10)
? ? ? ?plt.text(lon,lat,name,fontsize=10,color = "#DC143C")
#在location_data上調用繪圖函數
create_great_points(location_data)
plt.axis("off")#關閉坐標軸
plt.savefig("C:/Users/zhangjunhong/Desktop/itwechat.png")#保存圖表到本地
plt.show()#顯示圖表
菊粉全國分布
上面地圖繪制主要是用的Python中的Basemap庫，解析地理位置用的XGeocoding_v2。
Top省份和Top城市就是兩個柱狀圖，制作方式和上面的年齡分布類似。
樹地圖繪制
星座顯示的這種可視化形式叫做樹地圖，主要用的squarify庫，實現如下：
import squarify# 創建數據
xingzuo = user_info1["星座"].value_counts(normalize = True).index
size = user_info1["星座"].value_counts(normalize = True).values
rate = np.array(["34%","6.93%","5.85%","5.70%","5.62%","5.31%","5.30%","5.24%","5.01%","4.78%","4.68%","4.36%"])
# 繪圖
colors = ['steelblue','#9999ff','red','indianred',
? ? ? ? ?'green','yellow','orange']
plot = squarify.plot(sizes = size, # 指定繪圖數據
? ? ? ? ? ? ? ? ? ? label = xingzuo, # 指定標簽
? ? ? ? ? ? ? ? ? ? color = colors, # 指定自定義顏色
? ? ? ? ? ? ? ? ? ? alpha = 0.6, # 指定透明度
? ? ? ? ? ? ? ? ? ? value = rate, # 添加數值標簽
? ? ? ? ? ? ? ? ? ? edgecolor = 'white', # 設置邊界框為白色
? ? ? ? ? ? ? ? ? ? linewidth =3 # 設置邊框寬度為3
? ? ? ? ? ? ? ? ? ?)
# 設置標簽大小
plt.rc('font', size=10)
# 設置標題大小
plt.title('菊粉星座分布',fontdict = {'fontsize':12})
# 去除坐標軸
plt.axis('off')
# 去除上邊框和右邊框刻度
plt.tick_params(top = 'off', right = 'off')
菊粉星座分布
自定義詞云圖
上面從各個字段介紹了菊粉的特質，最后該來個總結了，總結的形式很多，還是選擇詞云圖的形式，只不過這里不需要進行分詞，直接手動輸入你要顯示的詞，以及詞的權重（頻次）即可，具體代碼如下：
image = Image.open('C:/Users/zhangjunhong/Desktop/圖片1.png')#作為背景形狀的圖 ?graph = np.array(image) ?
#參數分別是指定字體、背景顏色、最大的詞的大小、使用給定圖作為背景形狀 ?
wc = WordCloud(font_path = "C:\\Windows\\Fonts\\simkai.ttf", background_color = 'White', max_words = 150, mask = graph) ?
name = ["女性","摩羯座","20歲","21歲","22歲","23歲","24歲","25歲","廣州","杭州","成都","武漢","長沙","上海","北京","海外","美國","深圳"]
value = [20,20,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10]#詞的頻率
dic = dict(zip(name, value))#詞頻以字典形式存儲 ?
wc.generate_from_frequencies(dic)#根據給定詞頻生成詞云
image_color = ImageColorGenerator(graph) ?
plt.imshow(wc) ?
plt.axis("off")#不顯示坐標軸 ?
plt.show()
wc.to_file('C:/Users/zhangjunhong/Desktop/wordcloud.jpg')
Python中文社區作為一個去中心化的全球技術社區，以成為全球20萬Python中文開發者的精神部落為愿景，目前覆蓋各大主流媒體和協作平臺，與阿里、騰訊、百度、微軟、亞馬遜、開源中國、CSDN等業界知名公司和技術社區建立了廣泛的聯系，擁有來自十多個國家和地區數萬名登記會員，會員來自以公安部、工信部、清華大學、北京大學、北京郵電大學、中國人民銀行、中科院、中金、華為、BAT、谷歌、微軟等為代表的政府機關、科研單位、金融機構以及海內外知名公司，全平臺近20萬開發者關注。
▼?點擊下方閱讀原文，免費成為社區會員
總結
以上是生活随笔為你收集整理的Python抓取分析“创造101 ”菊姐微博的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Android调节音量分析
- 下一篇： 冬天到了，python给老妈选一件有气质