Python 爬取知识星球数据 - 词云分析

最近打算抓取知识星球的数据,分析下大家喜欢发布哪方面的主题,用词云的方式展示出来。

请求参数分析

这里我们使用网页版进行爬取,首先用 Chrome 登陆知识星球,登陆成功后按下 F12 打开 Developer Tools,并进入查看网络请求窗口。

然后在页面点击一个订阅的星球,此时网络会去请求该星球的数据,肯定会有一个 topics?scope=digests&count=20GET 请求,点击该请求,在请求头里会有一个 Authorization 参数,将该参数对应的值记下。该参数相当于一个认证 ID,在一段时间内一直有效,后面爬虫就会一直使用该数值请求数据。

网页版星球是没有分页的,后在下拉框到底部后自动加载,此时我们可以看到请求地址是:topics?count=20&end_time=2018-06-14T00%3A00%3A52.603%2B0800,是根据时间来进行请求的,这个请求应该满足我们按时段分析数据的需求。

Developer Tools

我们来分析 帅张和他的朋友们 的星球数据,其基本 URL 是 https://api.zsxq.com/v1.10/groups/2421112121/

数据解析

用 Postman 测试接口,可以得到返回的数据是一大坨 json 数据,形如:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
{
"succeeded": true,
"resp_data": {
"topics": [
{
"topic_id": 15412524852542,
"group": {
"group_id": 2421112121,
"name": "帅张和他的朋友们"
},
"type": "talk",
"talk": {
"owner": {
"user_id": 552444151844,
"name": "啊拉丁神经",
"avatar_url": "https://file.zsxq.com/1d5/12/d51200c1e3a063c47b1bcc1c40dc89c08a291fadfe4cb9fa193fbcc6584cb0e9_min.jpg"
},
"text": "这里是主题内容"
},
"likes_count": 11,
"comments_count": 12,

可以看出返回的数据是一个 topics 的 list,其中每个 topic 中包含着用户信息、主题内容、点赞数、评论数、评论内容、点赞者的信息、创建时间等等,我们可以使用 jsonpath 组件从返回数据中解析出我们想要的文本数据。

1
jsonpath.jsonpath(result, "$..topics[*]..text")

实现

准备工作

  • 安装必要的组件:jsonpath、jieba、numpy、wordcloud 等;
  • 准备字体文件,如本文的 fangsong_GB2312.ttf;
  • 准备词云形状图片,如本文的 python.png;

词云展示的大致步骤如下:

  • 读取本地的文件
  • 使用 jieba 进行分词,并对分词的结果以空格隔开;
  • 对分词后的文本生成词云;

jieba 分词

1
2
3
f = open('result.txt').read()
wordlist = jieba.cut(f, cut_all=True)
wl_space_split = " ".join(wordlist)

这样就可以得到一个分词后的 list 结果。

其实生成词云的 generate 函数是可以对全部文本进行自动分词,但是对中文支持不好,所以这里我们使用 jieba 先进行了分词。

生成词云

1
2
3
4
coloring = numpy.array(Image.open("python.png"))
my_wordcloud = WordCloud(background_color="white", max_words=2000, mask=coloring,
font_path='fangsong_GB2312.ttf', max_font_size=50, random_state=42).generate(wl_space_split)
my_wordcloud.to_file('test.png')

其中参数含义如下:

  • width,height,margin 可以设置图片属性
  • 通过 font_path 参数来设置字体集
  • 通过 mask 参数 来设置词云形状

另外,font_path:这个是在词云图中显示文字的字体存放的路径,特别是在显示中文的时候,这个参数尤为重要,如果缺省的话容易造成乱码,如下:

中文乱码

运行

1
2
3
4
5
$ python zsxq_cloud.py -d "2018-06-13"
Building prefix dict from the default dictionary ...
Loading model from cache /tmp/jieba.cache
Loading model cost 1.000 seconds.
Prefix dict has been built succesfully.

运行成功后会在当前目录生成一个 test.png 的图片:

生成结果

总结

可以看到,词云展示实现起来不过 10 行代码,数据的获取才是关键。这里我只是分析一天的数据生成词云,那么一个月的数据如何获取呢?大家不妨想一下。

另外,下回准备对星球数据换个方向进行分析,分析下大家喜欢在哪一天发文,在一天里的什么时候发文,且听下回分解~

代码已上传至 GitHub,点击阅读原文下载。

hoxis wechat
提供 CSDN 资料免费下载服务,欢迎来撩~
赞赏一杯咖啡
  • 本文作者: hoxis | 微信公众号【不正经程序员】
  • 本文链接: https://hoxis.github.io/python-zsxq-cloud.html
  • 版权声明: 本博客所有文章除特别声明外,均采用 CC BY-NC-SA 3.0 许可协议。转载请注明出处!
  • 并保留本声明和上方二维码。感谢您的阅读和支持!
0%