首页 > Python资料 博客日记
【Python】网络爬虫——词云wordcloud详细教程,爬取豆瓣最新评论并生成各式词云
2024-11-01 08:00:05Python资料围观42次
本篇文章分享【Python】网络爬虫——词云wordcloud详细教程,爬取豆瓣最新评论并生成各式词云,对你有帮助的话记得收藏一下,看Python资料网收获更多编程知识
目录
一、功能介绍
词云,即:对网络文本中出现频率较高的“关键词”予以视觉上的突出,形成“关键词云层”或“关键词渲染”,从而过滤掉大量的文本信息,使浏览网页者只要扫过一眼文本就可以领略文本的主旨。
本项目用来爬取豆瓣网上最新的电影评论(以最新上映的:异形:夺命舰 Alien: Romulus为例),经过数据清理和词频统计后进行词云展示。
二、关键技术
1、安装WordCloud
pip install wordcloud
2、利用WordCloud
1、WordCloud的基础用法
class wordcloud.WordCloud(font path=None, width=400, height=200, margin=2, ranks only=None, prefer horizontal=0.9, mask=None, scale=1, color func=None, max words=200, min font size=4, stopwords=None, random state=None, background color='black', max font size=None, font step=1, mode='RGB', relative scaling=0.5, regexp=None, collocations=True, colormap=None, normalize_plurals=True)
**相关参数介绍**
- font_path:需要展现什么字体就把该字体路径+扩展名写上,例如:font_path = ‘黑体.ttf’。
- width:输出的画布宽度,默认为400像素
- height:输出的画布高度,默认为200像素
- prefer_horizontal:词语水平方向排版出现的频率,默认为 0.9(所以词语垂直方向排版出现的频率为 0.1)。
- mask:如果该参数为空,则使用二维遮罩绘制词云;如果该参数非空,设置的宽高值将被忽略,遮罩形状将被 mask 取代。除了全白(#FFFFFF)部分不会绘制以外,其余部分会用于绘制词云。例如bg_pic= imread('读取一张图片.png'),背景图片的画布一定要设置为白色(#FFFFFF),然后显示的形状为不是白色的其他颜色。用户可以用 PS 工具将自己要显示的形状复制到一个纯白色的画布上,然后保存。
- Scale:按照比例放大画布,例如设置为1.5,则长和宽都是原来画布的 1.5 倍。
- min_font_size:显示的最小的字体大小。
- font_step:字体步长,如果步长大于1,会加快运算,但是可能导致结果出现较大的误差。
- max_words:要显示的词的最大个数。
- stopwords:设置需要屏蔽的词,如果为空,则使用内置的STOPWORDS。
- background_color:背景颜色,例如 background color='white',背景颜色为白色,默认颜色为黑色。
- max_font_size:显示的最大的字体大小。
- mode:当该参数为 “RGBA” 并且 background_color 不为空时背景透明。
- relative_scaling:词频和字体大小的关联性。
- color_func:生成新颜色的函数,如果为空,则使用selfcolor_func。
- regexp:使用正则表达式分隔输入的文本。
- collocations:是否包括两个词的搭配。
- colormap:给每个单词随机分配颜色,若指定color func,则忽略该方法。
**WordCloud 提供的方法如下**
- fit_words(frequencies):根据词频生成词云。
- generate(text):根据文本生成词云。
- generate_from_frequencies(frequencies[...]):根据词频生成词云。
- generate_from_text(text):根据文本生成词云。
- process_text(text):将长文本分词并去除屏蔽词(此处指英语,中文分词还需要自己用其他库先行实现,使用上面的fit_words(fequencies))。
- recolor([random_state,color_func,colormap]):对现有输出重新着色,重新着色会比重新生成整个词云快很多。
- to_array():转化为 numpy array。
- to_file(filename):输出到文件。
2、WordCloud的应用举例
from wordcloud import WordCloud, ImageColorGenerator, STOPWORDS
import matplotlib.pyplot as plt
from PIL import Image # 使用Pillow库代替scipy.misc.imread
import numpy as np
text = open('test.txt', 'r',encoding='utf-8').read() # 读取一个txt文件
bg_pic = Image.open('alice.png') # 读取背景图片
'''设置词云样式'''
wc = WordCloud(background_color='White', mask=np.array(bg_pic), font_path="simhei.ttf", max_words=2000, max_font_size=150,
random_state=30, scale=1.5)
wc.generate_from_text(text) # 根据文本生成词云
image_colors = ImageColorGenerator(np.array(bg_pic)) # 确保bg_pic是数组格式
plt.imshow(wc) # 展示词云图
plt.axis('off')
plt.show()
print('display success!')
# 保存词云图片
wc.to_file('test2.jpg')
运行结果:
3、设置停用词
用户可以手动设置停用词,使得词云中不显示该词。
from os import path
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud, ImageColorGenerator, STOPWORDS # 词云包
# 读取整个文章
text = open('test.txt', 'r', encoding='utf-8').read() # 读取一个txt文件
# 读取遮罩/彩色图像
alice_coloring = np.array(Image.open('alice.png')) # 读取背景图片
# 设置停用词
stopwords = set(STOPWORDS)
stopwords.add("的") # 人工添加停用词
stopwords.add("了") # 人工添加停用词
# 可以通过mask参数来设置词云形状
wc = WordCloud(background_color='White', mask=np.array(alice_coloring), font_path="simhei.ttf", max_words=2000,
stopwords=stopwords, max_font_size=40,
random_state=42)
# 生成词云
wc.generate(text)
# 根据图片生成颜色
image_colors = ImageColorGenerator(np.array(alice_coloring)) # 确保bg_pic是数组格式
plt.imshow(wc, interpolation="bilinear") # 展示词云图
plt.axis('off')
plt.show()
# 保存词云图片
wc.to_file('test2.jpg')
运行结果:
4、WordCloud使用词频
import jieba.analyse
from PIL import Image, ImageSequence
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud, ImageColorGenerator, STOPWORDS # 词云包
lyric = ''
f = open('./test.txt', 'r', encoding='utf-8')
for i in f:
lyric += f.read()
# 用jieba对文章做分词,提取出词频高的前50个词
result = jieba.analyse.textrank(lyric, topK=50, withWeight=True)
keywords = dict()
for i in result:
keywords[i[0]] = i[1]
print(keywords)
运行结果:
三、程序设计的步骤
1、抓取网页数据
查找页面中id为'nowplaying'的div标签:
在找到的div标签内,查找所有class为'list-item'的li标签:
2、数据清洗
** 消除与数据分析无关的数据 **
1、正则表达式去除非中文字符:
pattern = re.compile(r'[^\w\s]')
cleaned_comments = pattern.sub('', comments)
2、停用词过滤:
stopwords = set(STOPWORDS)
with open('./StopWords.txt', encoding="utf-8") as f:
stopwords.update(word.strip() for word in f)
keywords = {word: score for word, score in keywords.items() if word not in stopwords}
3、使用jieba进行中文分词:
result = jieba.analyse.textrank(cleaned_comments, topK=150, withWeight=True)
3、用词云进行展示
1、创建词云对象:
wordcloud = WordCloud(font_path="simhei.ttf", mask=np.array(bg_pic), background_color="white",
max_font_size=80, stopwords=stopwords).generate_from_frequencies(keywords)
2、展示词云:
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.show()
3、打印成功信息:
print('词云展示成功!')
四、实现代码
import warnings
import jieba
import jieba.analyse
import re
import matplotlib.pyplot as plt
import requests
from bs4 import BeautifulSoup as bs
from wordcloud import WordCloud, STOPWORDS
# 忽略警告
warnings.filterwarnings("ignore")
# 设置matplotlib图形大小
plt.rcParams['figure.figsize'] = (10.0, 5.0)
# 分析网页函数
def getNowPlayingMovieList():
url = 'https://movie.douban.com/nowplaying/guangzhou'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36 Edg/127.0.0.0'
}
try:
resp = requests.get(url, headers=headers)
resp.raise_for_status() # 检查请求是否成功
html = resp.text
except requests.exceptions.HTTPError as errh:
print(f"HTTP错误: {errh}")
return []
except requests.exceptions.RequestException as err:
print(f"请求错误: {err}")
return []
soup = bs(html, 'html.parser')
nowplaying_movie = soup.find('div', id='nowplaying')
if not nowplaying_movie:
return []
nowplaying_movie_list = nowplaying_movie.find_all('li', class_='list-item')
nowplaying_list = []
for item in nowplaying_movie_list:
nowplaying_dict = {}
nowplaying_dict['id'] = item['data-subject']
nowplaying_dict['name'] = item.find('img')['alt']
nowplaying_list.append(nowplaying_dict)
return nowplaying_list
# 爬取评论函数
def getCommentsById(movieId, pageNum):
eachCommentList = []
if pageNum <= 0:
return eachCommentList
start = (pageNum - 1) * 20
url = f'https://movie.douban.com/subject/{movieId}/comments?start={start}&limit=20'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36 Edg/127.0.0.0'
}
try:
resp = requests.get(url, headers=headers)
resp.raise_for_status() # 检查请求是否成功
html = resp.text
except requests.exceptions.HTTPError as errh:
print(f"HTTP错误: {errh}")
return []
except requests.exceptions.RequestException as err:
print(f"请求错误: {err}")
return []
soup = bs(html, 'html.parser')
comment_div_lits = soup.find_all('div', class_='comment')
for item in comment_div_lits:
if item.find('p'):
eachCommentList.append(item.find('p').text.strip())
return eachCommentList
def main():
NowPlayingMovie_list = getNowPlayingMovieList()
if not NowPlayingMovie_list:
print("没有获取到电影列表")
return
commentList = []
for i in range(1, 11): # 从第1页到第10页
comments_temp = getCommentsById(NowPlayingMovie_list[0]['id'], i) # 选择第几个电影来进行爬虫,[0]为第一个
commentList.extend(comments_temp)
comments = " ".join(commentList)
# 使用正则表达式去掉标点符号和非中文字符
pattern = re.compile(r'[^\w\s]')
cleaned_comments = pattern.sub('', comments)
# 使用jieba分词进行中文分词
result = jieba.analyse.textrank(cleaned_comments, topK=150, withWeight=True)
keywords = {word: weight for word, weight in result}
# 停用词集合
stopwords = set(STOPWORDS)
with open('./StopWords.txt', encoding="utf-8") as f:
stopwords.update(word.strip() for word in f)
# 过滤停用词
keywords = {word: score for word, score in keywords.items() if word not in stopwords}
# 创建词云
wordcloud = WordCloud(font_path="simhei.ttf", background_color="white",
max_font_size=80,
stopwords=stopwords).generate_from_frequencies(keywords)
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.show()
print('词云展示成功!')
if __name__ == "__main__":
main()
五、最终效果展示
PS:当然也可以对上述词云进行上面介绍过的形状上的一些处理:
版权声明:本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:jacktools123@163.com进行投诉反馈,一经查实,立即删除!
标签:
相关文章
最新发布
- 【Python】selenium安装+Microsoft Edge驱动器下载配置流程
- Python 中自动打开网页并点击[自动化脚本],Selenium
- Anaconda基础使用
- 【Python】成功解决 TypeError: ‘<‘ not supported between instances of ‘str’ and ‘int’
- manim边学边做--三维的点和线
- CPython是最常用的Python解释器之一,也是Python官方实现。它是用C语言编写的,旨在提供一个高效且易于使用的Python解释器。
- Anaconda安装配置Jupyter(2024最新版)
- Python中读取Excel最快的几种方法!
- Python某城市美食商家爬虫数据可视化分析和推荐查询系统毕业设计论文开题报告
- 如何使用 Python 批量检测和转换 JSONL 文件编码为 UTF-8
点击排行
- 版本匹配指南:Numpy版本和Python版本的对应关系
- 版本匹配指南:PyTorch版本、torchvision 版本和Python版本的对应关系
- Python 可视化 web 神器:streamlit、Gradio、dash、nicegui;低代码 Python Web 框架:PyWebIO
- 相关性分析——Pearson相关系数+热力图(附data和Python完整代码)
- Python与PyTorch的版本对应
- Anaconda版本和Python版本对应关系(持续更新...)
- Python pyinstaller打包exe最完整教程
- Could not build wheels for llama-cpp-python, which is required to install pyproject.toml-based proj