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=20 的 GET 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。

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：

{
    "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。

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

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

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：

运行

$ 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：

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。