爬虫大作业

 

1.选一个自己感兴趣的主题（所有人不能雷同）。

我选择了我们学校的新闻网来爬取数据，主要是通过获取文本然后结巴来分析

2.用python 编写爬虫程序，从网络上爬取相关主题的数据。

def getNewDetail(newUrl):
    resd=requests.get(newUrl)
    resd.encoding="utf-8"
    soupd=BeautifulSoup(resd.text,"html.parser")
    news={}
    news['title']=soupd.select(".show-title")[0].text
    info=soupd.select(".show-info")[0].text
    news['dt']=datetime.strptime(info.lstrip("发布时间:")[0:19],"%Y-%m-%d %H:%M:%S")
    if info.find("来源")>0:
        news['source']=info[info.find("来源："):].split()[0].lstrip("来源:")
    else:
        news['source']="none"
    content=soupd.select(".show-content")[0].text
    news['content']=soupd.select(".show-content")[0].text.split()
    f=open('gzccnews.txt','a',encoding="utf-8")
    f.write(content)
    f.close()

    news['click']=int(getClickCount(newUrl))
    news['newUrl'] = newUrl
    countdict[news['source']]=news['click']
    return news

　　打开广州商学院的网址进入到校园的新闻网。然后通过对每一页的来获取信息。

3.对爬了的数据进行文本分析，生成词云。

首先通过结巴把信息存在一个TXT文件下。

 

 4.生成词云：

#coding:utf-8
import matplotlib.pyplot as plt
from wordcloud import WordCloud,ImageColorGenerator,STOPWORDS
from wordcloud import WordCloud

import jieba
import numpy as np
from PIL import Image

#读入背景图片
abel_mask = np.array(Image.open("filepath"))

#读取要生成词云的文件
text_from_file_with_apath = open('filepath').read()

#通过jieba分词进行分词并通过空格分隔
wordlist_after_jieba = jieba.cut(text_from_file_with_apath, cut_all = True)
wl_space_split = " ".join(wordlist_after_jieba)
my_wordcloud = WordCloud().generate(wl_space_split)
my_wordcloud = WordCloud(
            background_color='white',    # 设置背景颜色
            mask = abel_mask,        # 设置背景图片
            max_words = 200,            # 设置最大现实的字数
            stopwords = STOPWORDS,        # 设置停用词
            font_path = 'C:/Users/Windows/fonts/simkai.ttf',
            max_font_size =50,
            random_state = 30,         # 设置有多少种随机生成状态，即有多少种配色方案
                scale=.5,
                ).generate(wl_space_split)

# 根据图片生成词云颜色
image_colors = ImageColorGenerator(abel_mask)
#my_wordcloud.recolor(color_func=image_colors)

# 以下代码显示图片
plt.imshow(my_wordcloud)
plt.axis("off")
plt.show()

　　生成的词云：

4.对文本分析结果进行解释说明。

　　答：文本获取到的字符信息并不是我们想要的效果，因此，为了达到我们想要的效果，我就将所获取到的文本信息，生成一个词云图，这样我们就可以比较直观地看出，广州商学院的新闻网地信息主要在强调些什么，从而达到此次爬取的目的。

5.写一篇完整的博客，描述上述实现过程、遇到的问题及解决办法、数据分析思想及结论。

　　答：对于这个大作业，遇到以下问题：

　　　　第一，在爬取过程中，遇到的最大的问题就是在那个获取页面的总页数上，通过以前老师课堂上教过的知识，顺利解决了。

　　　　第二，第二个问题就是在安装生成词云的时导入有错误

　　

　　　　　后来选择合适的版本即：cp-36-cp-36m-win32.whl版本的来下载，cp指的是系统上安装的python版本，32表示安装的python版本是32位，不是操作系统

           　　打开cmd运行,切换到指定目录运行

　　　　　执行以下命令

1 2	pip install wordcloud-1.3.3-cp36-cp36m-win32.whl pip install wordcloud

　　　　最后就安装成功了。

6.最后提交爬取的全部数据、爬虫及数据分析源代码。

import jieba
import matplotlib.pyplot as plt
from wordcloud import WordCloud, ImageColorGenerator
import codecs
import numpy as np
from PIL import Image
import re

file = codecs.open('gzccnews.txt', 'r', 'utf-8')
image = np.array(Image.open('./a.jpg'))
font = r'C:\Windows\Fonts\simkai.ttf'
word = file.read()
# 去掉英文，保留中文
resultword = re.sub("[A-Za-z0-9\[\`\~\!\@\#\$\^\&\*\(\)\=\|\{\}\'\:\;\'\,\[\]\.\<\>\/\?\~\！\@\#\\\&\*\%]", "", word)
wordlist_after_jieba = jieba.cut(resultword, cut_all=True)

wl_space_split = " ".join(wordlist_after_jieba)
print(wl_space_split)
my_wordcloud = WordCloud(font_path=font, mask=image, background_color='black', max_words=100, max_font_size=300,
                         random_state=50).generate(wl_space_split)
# 根据图片生成词云
iamge_colors = ImageColorGenerator(image)
my_wordcloud.recolor(color_func=iamge_colors)
# 显示生成的词云
plt.imshow(my_wordcloud)
plt.axis("off")
plt.show()

　　总结：熟能生巧，以后还是得多练习呀