一 簡介
wxpy基於itchat，使用了 Web 微信的通訊協議，，通過大量接口優化提升了模塊的易用性，並進行豐富的功能擴展。實現了微信登錄、收發消息、搜索好友、數據統計等功能。
總而言之，可用來實現各種微信個人號的自動化操作。
安裝：wxpy 支持 Python 3.4-3.6，以及 2.7 版本
pip3 install -U wxpy
二 登錄微信
1、掃碼登錄微信
from wxpy import * bot = Bot()
2、cache_path=True
運行上面的程序，會彈出二維碼，用手機微信掃一掃即可實現登錄。
但上面的程序有一個缺點，每次運行都要掃二維碼。不過wxpy非常貼心地提供了緩存的選項,用於將登錄信息保存下來，就不用每次都掃二維碼，如下
bot = Bot(cache_path=True) # 必須先登錄過一次以后才可以使用緩存
三 微信好友男女比例
from wxpy import * from pyecharts import Pie bot=Bot(cache_path=True) #注意手機確認登錄 friends=bot.friends() attr=['男朋友','女朋友'] value=[0,0] for friend in friends: if friend.sex == 1: # 等於1代表男性 value[0]+=1 elif friend.sex == 2: #等於2代表女性 value[1]+=1 pie = Pie("Egon老師的好朋友們") pie.add("", attr, value, is_label_show=True) pie.render('sex.html')
四 微信好友地域分布
from wxpy import * from pyecharts import Map bot=Bot(cache_path=True) friends=bot.friends() area_dic={} for friend in friends: if friend.province not in area_dic: area_dic[friend.province]=1 else: area_dic[friend.province]+=1 attr = area_dic.keys() value = area_dic.values() map = Map("Egon老師好朋友們的地域分布", width=1200, height=600) map.add( "好友地域分布", attr, value, maptype='china', is_visualmap=True, #結合體VisualMap visual_text_color='#000' ) map.render('area.html')
五 微信好友數據分析之詞雲
bg.jpg
#安裝軟件 pip3 install jieba pip3 install pandas pip3 install numpy pip3 install scipy pip3 install wordcloud
from wxpy import * import re import jieba import pandas as pd import numpy bot=Bot(cache_path=True) friends=bot.friends() # 統計簽名 with open('signatures.txt','w',encoding='utf-8') as f: for friend in friends: # 對數據進行清洗，將標點符號等對詞頻統計造成影響的因素剔除 pattern=re.compile(r'[一-龥]+') filterdata=re.findall(pattern,friend.signature) f.write(''.join(filterdata)) #過濾停止詞 with open('signatures.txt','r',encoding='utf-8') as f: data=f.read() segment=jieba.lcut(data) words_df=pd.DataFrame({'segment':segment}) stopwords = pd.read_csv("stopwords.txt", index_col=False, quoting=3, sep=" ", names=['stopword'], encoding='utf-8') words_df = words_df[~words_df.segment.isin(stopwords.stopword)] #使用numpy進行詞頻統計 words_stat = words_df.groupby(by=['segment'])['segment'].agg({"計數":numpy.size}) words_stat = words_stat.reset_index().sort_values(by=["計數"],ascending=False) # print(words_stat) #詞頻可視化：詞雲，基於wordcloud庫，當然pyecharts也可以實現 from scipy.misc import imread from wordcloud import WordCloud, ImageColorGenerator import matplotlib.pyplot as plt # 設置詞雲屬性 # color_mask = imread('background.jfif') # color_mask = imread('bg.jpg') color_mask = imread('bg1.jpeg') wordcloud = WordCloud( # font_path="simhei.ttf", # mac上沒有該字體 font_path="/System/Library/Assets/com_apple_MobileAsset_Font3/6d903871680879cf5606a3d2bcbef058e56b20d4.asset/AssetData/華文仿宋.ttf", # 設置字體可以顯示中文 background_color="white", # 背景顏色 max_words=100, # 詞雲顯示的最大詞數 mask=color_mask, # 設置背景圖片 max_font_size=100, # 字體最大值 random_state=42, width=1000, height=860, margin=2,# 設置圖片默認的大小,但是如果使用背景圖片的話, # 那么保存的圖片大小將會按照其大小保存,margin為詞語邊緣距離 ) # 生成詞雲, 可以用generate輸入全部文本,也可以我們計算好詞頻后使用generate_from_frequencies函數 word_frequence = {x[0]:x[1]for x in words_stat.head(100).values} print(word_frequence) word_frequence_dict = {} for key in word_frequence: word_frequence_dict[key] = word_frequence[key] print(word_frequence_dict) wordcloud.generate_from_frequencies(word_frequence_dict) # 從背景圖片生成顏色值 image_colors = ImageColorGenerator(color_mask) # 重新上色 wordcloud.recolor(color_func=image_colors) # 保存圖片 wordcloud.to_file('output.png') plt.imshow(wordcloud) plt.axis("off") plt.show()
from wxpy import * import re import jieba import pandas as pd import numpy bot=Bot(cache_path=True) friends=bot.friends() # 統計簽名 with open('signatures.txt','w',encoding='utf-8') as f: for friend in friends: # 對數據進行清洗，將標點符號等對詞頻統計造成影響的因素剔除 pattern=re.compile(r'[一-龥]+') filterdata=re.findall(pattern,friend.signature) f.write(''.join(filterdata)) #過濾停止詞 with open('signatures.txt','r',encoding='utf-8') as f: data=f.read() segment=jieba.lcut(data) words_df=pd.DataFrame({'segment':segment}) stopwords = pd.read_csv("stopwords.txt", index_col=False, quoting=3, sep=" ", names=['stopword'], encoding='utf-8') words_df = words_df[~words_df.segment.isin(stopwords.stopword)] #使用numpy進行詞頻統計 words_stat = words_df.groupby(by=['segment'])['segment'].agg({"計數":numpy.size}) words_stat = words_stat.reset_index().sort_values(by=["計數"],ascending=False) print(words_stat) #可是化詞雲 from pyecharts import WordCloud word_frequence = {x[0]:x[1]for x in words_stat.head(100).values} name = word_frequence.keys() value = word_frequence.values() wordcloud = WordCloud(width=1300, height=620) wordcloud.add("", name, value, word_size_range=[20, 100]) wordcloud.render('cy.html')
停止詞，是由英文單詞:stopword翻譯過來的，原來在英語里面會遇到很多a，the，or等使用頻率很多的字或詞，常為冠詞、介詞、副詞或連詞等。如果搜索引擎要將這些詞都索引的話，那么幾乎每個網站都會被索引，也就是說工作量巨大。可以毫不誇張的說句，只要是個英文網站都會用到a或者是the。那么這些英文的詞跟我們中文有什么關系呢？ 在中文網站里面其實也存在大量的stopword，我們稱它為停止詞。比如，我們前面這句話，“在”、“里面”、“也”、“的”、“它”、“為”這些詞都是停止詞。這些詞因為使用頻率過高，幾乎每個網頁上都存在，所以搜索引擎開發人員都將這一類詞語全部忽略掉。如果我們的網站上存在大量這樣的詞語，那么相當於浪費了很多資源。原本可以添加一個關鍵詞，排名就可以上升一名的，為什么不留着添加為關鍵詞呢？停止詞對SEO的意義不是越多越好，而是盡量的減少為宜。 中英文停止詞表: able about above according accordingly across actually after afterwards again against ain't all allow allows almost alone along already also although always am among amongst an and another any anybody anyhow anyone anything anyway anyways anywhere apart appear appreciate appropriate are aren't around as a's aside ask asking associated at available away awfully be became because become becomes becoming been before beforehand behind being believe below beside besides best better between beyond both brief but by came can cannot cant can't cause causes certain certainly changes clearly c'mon co com come comes concerning consequently consider considering contain containing contains corresponding could couldn't course c's currently definitely described despite did didn't different do does doesn't doing done don't down downwards during each edu eg eight either else elsewhere enough entirely especially et etc even ever every everybody everyone everything everywhere ex exactly example except far few fifth first five followed following follows for former formerly forth four from further furthermore get gets getting given gives go goes going gone got gotten greetings had hadn't happens hardly has hasn't have haven't having he hello help hence her here hereafter hereby herein here's hereupon hers herself he's hi him himself his hither hopefully how howbeit however i'd ie if ignored i'll i'm immediate in inasmuch inc indeed indicate indicated indicates inner insofar instead into inward is isn't it it'd it'll its it's itself i've just keep keeps kept know known knows last lately later latter latterly least less lest let let's like liked likely little look looking looks ltd mainly many may maybe me mean meanwhile merely might more moreover most mostly much must my myself name namely nd near nearly necessary need needs neither never nevertheless new next nine no nobody non none noone nor normally not nothing novel now nowhere obviously of off often oh ok okay old on once one ones only onto or other others otherwise ought our ours ourselves out outside over overall own particular particularly per perhaps placed please plus possible presumably probably provides que quite qv rather rd re really reasonably regarding regardless regards relatively respectively right said same saw say saying says second secondly see seeing seem seemed seeming seems seen self selves sensible sent serious seriously seven several shall she should shouldn't since six so some somebody somehow someone something sometime sometimes somewhat somewhere soon sorry specified specify specifying still sub such sup sure take taken tell tends th than thank thanks thanx that thats that's the their theirs them themselves then thence there thereafter thereby therefore therein theres there's thereupon these they they'd they'll they're they've think third this thorough thoroughly those though three through throughout thru thus to together too took toward towards tried tries truly try trying t's twice two un under unfortunately unless unlikely until unto up upon us use used useful uses using usually value various very via viz vs want wants was wasn't way we we'd welcome well we'll went were we're weren't we've what whatever what's when whence whenever where whereafter whereas whereby wherein where's whereupon wherever whether which while whither who whoever whole whom who's whose why will willing wish with within without wonder won't would wouldn't yes yet you you'd you'll your you're yours yourself yourselves you've zero zt ZT zz ZZ 一 一下 一些 一切 一則 一天 一定 一方面 一旦 一時 一來 一樣 一次 一片 一直 一致 一般 一起 一邊 一面 萬一 上下 上升 上去 上來 上述 上面 下列 下去 下來 下面 不一 不久 不僅 不會 不但 不光 不單 不變 不只 不可 不同 不夠 不如 不得 不怕 不惟 不成 不拘 不敢 不斷 不是 不比 不然 不特 不獨 不管 不能 不要 不論 不足 不過 不問 與 與其 與否 與此同時 專門 且 兩者 嚴格 嚴重 個 個人 個別 中小 中間 豐富 臨 為 為主 為了 為什么 為什麽 為何 為着 主張 主要 舉行 乃 乃至 么 之 之一 之前 之后 之後 之所以 之類 烏乎 乎 乘 也 也好 也是 也罷 了 了解 爭取 於 於是 於是乎 雲雲 互相 產生 人們 人家 什么 什么樣 什麽 今后 今天 今年 今後 仍然 從 從事 從而 他 他人 他們 他的 代替 以 以上 以下 以為 以便 以免 以前 以及 以后 以外 以後 以來 以至 以至於 以致 們 任 任何 任憑 任務 企圖 偉大 似乎 似的 但 但是 何 何況 何處 何時 作為 你 你們 你的 使得 使用 例如 依 依照 依靠 促進 保持 俺 俺們 倘 倘使 倘或 倘然 倘若 假使 假如 假若 做到 像 允許 充分 先后 先後 先生 全部 全面 兮 共同 關於 其 其一 其中 其二 其他 其余 其它 其實 其次 具體 具體地說 具體說來 具有 再者 再說 冒 沖 決定 況且 准備 幾 幾乎 幾時 憑 憑借 出去 出來 出現 分別 則 別 別的 別說 到 前后 前者 前進 前面 加之 加以 加入 加強 十分 即 即令 即使 即便 即或 即若 卻不 原來 又 及 及其 及時 及至 雙方 反之 反應 反映 反過來 反過來說 取得 受到 變成 另 另一方面 另外 只是 只有 只要 只限 叫 叫做 召開 叮咚 可 可以 可是 可能 可見 各 各個 各人 各位 各地 各種 各級 各自 合理 同 同一 同時 同樣 后來 后面 向 向着 嚇 嗎 否則 吧 吧噠 吱 呀 呃 嘔 唄 嗚 嗚呼 呢 周圍 呵 呸 呼哧 咋 和 咚 咦 咱 咱們 咳 哇 哈 哈哈 哉 哎 哎呀 哎喲 嘩 喲 哦 哩 哪 哪個 哪些 哪兒 哪天 哪年 哪怕 哪樣 哪邊 哪里 哼 哼唷 唉 啊 啐 啥 啦 啪達 喂 喏 喔唷 嗡嗡 嗬 嗯 噯 嘎 嘎登 噓 嘛 嘻 嘿 因 因為 因此 因而 固然 在 在下 地 堅決 堅持 基本 處理 復雜 多 多少 多數 多次 大力 大多數 大大 大家 大批 大約 大量 失去 她 她們 她的 好的 好象 如 如上所述 如下 如何 如其 如果 如此 如若 存在 寧 寧可 寧願 寧肯 它 它們 它們的 它的 安全 完全 完成 實現 實際 宣布 容易 密切 對 對於 對應 將 少數 爾后 尚且 尤其 就 就是 就是說 盡 盡管 屬於 豈但 左右 巨大 鞏固 己 已經 幫助 常常 並 並不 並不是 並且 並沒有 廣大 廣泛 應當 應用 應該 開外 開始 開展 引起 強烈 強調 歸 當 當前 當時 當然 當着 形成 徹底 彼 彼此 往 往往 待 後來 後面 得 得出 得到 心里 必然 必要 必須 怎 怎么 怎么辦 怎么樣 怎樣 怎麽 總之 總是 總的來看 總的來說 總的說來 總結 總而言之 恰恰相反 您 意思 願意 慢說 成為 我 我們 我的 或 或是 或者 戰斗 所 所以 所有 所謂 打 擴大 把 抑或 拿 按 按照 換句話說 換言之 據 掌握 接着 接著 故 故此 整個 方便 方面 旁人 無寧 無法 無論 既 既是 既然 時候 明顯 明確 是 是否 是的 顯然 顯著 普通 普遍 更加 曾經 替 最后 最大 最好 最後 最近 最高 有 有些 有關 有利 有力 有所 有效 有時 有點 有的 有着 有著 望 朝 朝着 本 本着 來 來着 極了 構成 果然 果真 某 某個 某些 根據 根本 歡迎 正在 正如 正常 此 此外 此時 此間 毋寧 每 每個 每天 每年 每當 比 比如 比方 比較 毫不 沒有 沿 沿着 注意 深入 清楚 滿足 漫說 焉 然則 然后 然後 然而 照 照着 特別是 特殊 特點 現代 現在 甚么 甚而 甚至 用 由 由於 由此可見 的 的話 目前 直到 直接 相似 相信 相反 相同 相對 相對而言 相應 相當 相等 省得 看出 看到 看來 看看 看見 真是 真正 着 着呢 矣 知道 確定 離 積極 移動 突出 突然 立即 第 等 等等 管 緊接着 縱 縱令 縱使 縱然 練習 組成 經 經常 經過 結合 結果 給 絕對 繼續 繼而 維持 綜上所述 罷了 考慮 者 而 而且 而況 而外 而已 而是 而言 聯系 能 能否 能夠 騰 自 自個兒 自從 自各兒 自家 自己 自身 至 至於 良好 若 若是 若非 范圍 莫若 獲得 雖 雖則 雖然 雖說 行為 行動 表明 表示 被 要 要不 要不是 要不然 要么 要是 要求 規定 覺得 認為 認真 認識 讓 許多 論 設使 設若 該 說明 諸位 誰 誰知 趕 起 起來 起見 趁 趁着 越是 跟 轉動 轉變 轉貼 較 較之 邊 達到 迅速 過 過去 過來 運用 還是 還有 這 這個 這么 這么些 這么樣 這么點兒 這些 這會兒 這兒 這就是說 這時 這樣 這點 這種 這邊 這里 這麽 進入 進步 進而 進行 連 連同 適應 適當 適用 逐步 逐漸 通常 通過 造成 遇到 遭到 避免 那 那個 那么 那么些 那么樣 那些 那會兒 那兒 那時 那樣 那邊 那里 那麽 部分 鄙人 采取 里面 重大 重新 重要 鑒於 問題 防止 阿 附近 限制 除 除了 除此之外 除非 隨 隨着 隨著 集中 需要 非但 非常 非徒 靠 順 順着 首先 高興 是不是 說說
六 聊天機器人
1、為微信傳輸助手傳送消息
這里的file_helper就是微信的文件傳輸助手，我們給文件傳輸助手發送一條消息，可以在手機端的文件傳輸助手中收到括號內的消息
bot.file_helper.send('egon say hello')
2、收發消息@bot.register()
from wxpy import * bot=Bot(cache_path=True) @bot.register() def recv_send_msg(recv_msg): print('收到的消息：',recv_msg.text) # recv_msg.text取得文本 return 'EGON自動回復：%s' %recv_msg.text # 進入Python命令行，讓程序保持運行 embed()
3、自動給老婆回復信息
當你在網吧吃着雞，操作騷出天際時，你老婆打電話讓你回家吃飯，此時你怎么辦。。。
from wxpy import * bot=Bot(cache_path=True) girl_friend=bot.search('Quincy.Coder')[0] print(girl_friend) @bot.register(chats=girl_friend) # 接收從指定好友發來的消息，發送者即recv_msg.sender為指定好友girl_friend def recv_send_msg(recv_msg): print('收到的消息：',recv_msg.text) # recv_msg.text取得文本 if recv_msg.sender == girl_friend: recv_msg.forward(bot.file_helper,prefix='老婆留言: ') #在文件傳輸助手里留一份，方便自己忙完了回頭查看 return '老婆最美麗，我對老婆的愛如滔滔江水，連綿不絕' #給老婆回一份 embed()
4、從微信群中定位好友
老板的信息一定要及時回復
bot=Bot(cache_path=True) company_group=bot.groups().search('群名稱')[0] boss=company_group.search('老板的微信名稱')[0] @bot.register(chats=company_group) #接收從指定群發來的消息，發送者即recv_msg.sender為組 def recv_send_msg(recv_msg): print('收到的消息：',recv_msg.text) if recv_msg.member == boss: recv_msg.forward(bot.file_helper,prefix='老板發言: ') return '老板說的好有道理，深受啟發' embed()
5、聊天機器人
給所有人自動回復
import json import requests from wxpy import * bot = Bot(console_qr=True, cache_path=True) # 調用圖靈機器人API，發送消息並獲得機器人的回復 def auto_reply(text): url = "http://www.tuling123.com/openapi/api" api_key = "申請圖靈機器人獲取key值放到這里" payload = { "key": api_key, "info": text, } r = requests.post(url, data=json.dumps(payload)) result = json.loads(r.content) return "[EGON微信測試，請忽略] " + result["text"] @bot.register() def forward_message(msg): return auto_reply(msg.text) embed()
給指定的群回復
import json import requests from wxpy import * bot = Bot(console_qr=True, cache_path=True) group=bot.groups().search('教學部三人組')[0] print(group) # 調用圖靈機器人API，發送消息並獲得機器人的回復 def auto_reply(text): url = "http://www.tuling123.com/openapi/api" api_key = "申請圖靈機器人獲取key值放到這里" payload = { "key": api_key, "info": text, } r = requests.post(url, data=json.dumps(payload)) result = json.loads(r.content) return "[EGON微信測試，請忽略] " + result["text"] @bot.register(group) def forward_message(msg): return auto_reply(msg.text) embed()
給指定的人回復
import json import requests from wxpy import * bot = Bot(console_qr=True, cache_path=True) girl_friend=bot.search('Quincy.Coder')[0] # 調用圖靈機器人API，發送消息並獲得機器人的回復 def auto_reply(text): url = "http://www.tuling123.com/openapi/api" api_key = "申請圖靈機器人獲取key值放到這里" payload = { "key": api_key, "info": text, } r = requests.post(url, data=json.dumps(payload)) result = json.loads(r.content) return "[EGON微信測試，請忽略] " + result["text"] @bot.register() def forward_message(msg): if msg.sender == girl_friend: return auto_reply(msg.text) embed()