前言

今天给大家分享Python爬虫豆瓣网热门话题保存文本本地数据

开发环境：

windows10
python3.6.4

开发工具：

pycharm
库：
requests、WordCloud、pandas、jieba

代码展示

在这里插入图片描述

词云生成

在这里插入图片描述

爬虫代码过程

1、保存短评数据

通过浏览器“检查”分析，得到URL数据接口。在不断往下刷新页面的过程中，发现URL中只有“start”参数不断产生变化，依次为0，20,40,60,80---

同时，为了破解“豆瓣”的防爬虫机制，请求数据时需携带“请求头（headers）”中的“User-Agent”和“Referer”两个参数。

在这里插入图片描述

源码


import requests
 
for i in range(0,200,20):
 
    # 通过浏览器检查，得到数据的URL来源链接
    url = 'https://m.douban.com/rexxar/api/v2/gallery/topic/125573/items?' \
          'sort=new&start={}&count=20&status_full_text=1&guest_only=0&ck=null'.format(i)
 
    # 破解防爬虫，带上请求头
    # 这两个不能省略
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0".3809.100 Safari/537.36',
               'Referer': 'https://www.douban.com/gallery/topic/125573/?from=gallery_trend&sort=hot'}
 
    # 发送请求，获取响应
    reponse = requests.get(url, headers=headers)
    html = reponse.json()
 
    # 解析数据，获得短评
    # 保存到本地
    for j in range(19):
        abs = html['items'][j]['abstract']
        with open("want_after.txt", "a", encoding='utf-8') as f:
            f.write(abs)
            print(abs)

2、词云可视化

把数据保存之后，需要利用“jieba”对数据进行分词；进而，通过分词后的数据绘制词云“wordcloud”，可视化展示数据。


from wordcloud import WordCloud
import matplotlib.pyplot as plt
import pandas as pd
import jieba
 
 
# 获得wordcloud 需要的 文本格式
with open("want_after.txt", "r", encoding='utf-8') as f:
     text = ' '.join(jieba.cut(f.read(),cut_all=False))
     # print(text)
 
backgroud_Image = plt.imread('豆瓣.jpg')  # 背景图
 
# 词云的一些参数设置
wc = WordCloud(
      background_color='white',
      mask=backgroud_Image,
      font_path='SourceHanSerifCN-Medium.otf',
      max_words=200,
      max_font_size=200,
      min_font_size=8,
      random_state=50,
      )
 
# 生成词云
word_cloud = wc.generate_from_text(text)
 
plt.imshow(word_cloud)
plt.axis('off')
 
wc.to_file('结果.jpg')

在这里插入图片描述

3、高频词统计


# 看看词频高的有哪些
process_word = WordCloud.process_text(wc, text)
sort = sorted(process_word.items(), key=lambda e: e[1], reverse=True)
sort_after = sort[:50]
print(sort_after)
 
# 把数据存成csv文件
df = pd.DataFrame(sort_after)
# 保证不乱码
df.to_csv('sort_after.csv', encoding='utf_8_sig')