pathon爬虫，制作云图

转载请标明出处： 
http://blog.csdn.net/forezp/article/details/70198541 
本文出自方志朋的博客

今天一时兴起，想用Python爬爬自己的博客，通过数据聚合，制作高逼格的云图(对词汇出现频率视觉上的展示)，看看最近我到底写了啥文章。

一、直接上几张我的博客数据的云图

1.1 爬取文章的标题的聚合

1.2 爬取文章的摘要的聚合

1.3 爬取文章的标题+摘要的聚合

我最近写了SpringCloud系列教程，还有一些微服务架构方面，从云图上看，基本吻合。你若不信，可以进我的博客看看，数据还是非常准确的

二、技术栈

• 开发工具: pycharm
• 爬虫技术：bs64、requsts、jieba
• 分析工具：wordArt

三、爬虫构架设计

整个爬虫架构非常简单：

• 爬取我的博客：http://blog.csdn.net/forezp
• 获取数据
• 将数据用“结巴”库，分词。
• 将得到的数据在在artword上制作云图。
• 将制作出来的云图展示给用户。

四、具体实现

先根据博客地址爬去数据：

url = 'http://blog.csdn.net/forezp'

titles=set()

def download(url):
    if url is None:
        return None
    try:
        response = requests.get(url, headers={
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36',
        })
        if (response.status_code == 200):
            return response.content
        return None
    except:
        return None

 
 

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17

解析标题

def parse_title(html):
    if html is None:
        return None
    soup = BeautifulSoup(html, "html.parser")
    links = soup.find_all('a', href=re.compile(r'/forezp/article/details'))
    for link in links:

        titles.add(link.get_text())

 
 

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

解析摘要：

def parse_descrtion(html):
    if html is None:
        return None
    soup=BeautifulSoup(html, "html.parser")
    disciptions=soup.find_all('div',attrs={'class': 'article_description'})
    for link in disciptions:

        titles.add(link.get_text())

 
 

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

用“结巴”分词，”激8”分词怎么用，看这里：https://github.com/fxsjy/jieba/

def jiebaSet():
    strs=''
    if titles.__len__()==0:
        return
    for item in titles:
        strs=strs+item;


    tags = jieba.analyse.extract_tags(strs, topK=100, withWeight=True)
    for item in tags:
        print(item[0] + '\t' + str(int(item[1] * 1000)))
 
 

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

因为数据比较少，所以我直接打印在控制台，并把它复制下来，更好的方法是存在MongoDB中。

制作云图： 
用 artword在线工具，地址：https://wordart.com

首先： 
导入从控制台复制过来的数据：

令人尴尬的是，这个网站在绘制图的时候不支持中文，需要你从c:/windows/fonts下选择一个支持中文的字体，mac 用户从windows拷下文件夹也可以，或者在网上下。

然后点击Visulize就可以生成高逼格的云图了。讲解完毕，有什么需要改进的请大家留言。

源码下载：https://github.com/forezp/ZhihuSpiderMan/tree/master/blogspider

五、文章参考

超简单：快速制作一款高逼格词云图

优秀文章推荐：

• 如何爬取百万知乎用户信息，并做了简单的分析