爬蟲綜合大作業（震驚！爬取了590位微信好友后竟然發現了）

作業要求來自https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/3159

 

可以用pandas讀出之前保存的數據：見上次博客爬取全部的校園新聞並保存csv

newsdf = pd.read_csv(r'F:\duym\gzccnews.csv')

 

 

 

一.把爬取的內容保存到數據庫sqlite3

import sqlite3
with sqlite3.connect('gzccnewsdb.sqlite') as db:
newsdf.to_sql('gzccnews',con = db)

with sqlite3.connect('gzccnewsdb.sqlite') as db:
df2 = pd.read_sql_query('SELECT * FROM gzccnews',con=db)

 

保存到MySQL數據庫

• import pandas as pd
• import pymysql
• from sqlalchemy import create_engine
• conInfo = "mysql+pymysql://user:passwd@host:port/gzccnews?charset=utf8"
• engine = create_engine(conInfo,encoding='utf-8')
• df = pd.DataFrame(allnews)
• df.to_sql(name = ‘news', con = engine, if_exists = 'append', index = False）

成功保存：

 

newsdf = pd.read_csv(r'C:\Users\Czc\PycharmProjects\news.csv')

import sqlite3
'''
with sqlite3.connect('gzccnewsdb.sqlite') as db:
    newsdf.to_sql('gzccnews',con = db)
'''
with sqlite3.connect('gzccnewsdb.sqlite') as db:
    df2 = pd.read_sql_query('SELECT * FROM gzccnews',con=db)


import pymysql
from sqlalchemy import create_engine
coninfo = "mysql+pymysql://root:@localhost:3306/gzccnews?charset=utf8"
engine = create_engine(coninfo,encoding="utf-8")

newsdf.to_sql(name='news',con=engine,if_exists='append',index= False,index_label='id')

 

---

 

二.爬蟲綜合大作業

1. 選擇一個熱點或者你感興趣的主題。
2. 選擇爬取的對象與范圍。
3. 了解爬取對象的限制與約束。
4. 爬取相應內容。
5. 做數據分析與文本分析。
6. 形成一篇文章，有說明、技術要點、有數據、有數據分析圖形化展示與說明、文本分析圖形化展示與說明。
7. 文章公開發布。

 

參考：

32個Python爬蟲項目

都是誰在反對996？

Python和Java薪資最高，C#最低！

給《流浪地球》評1星的都是什么心態？

《都挺好》彈幕數據，比劇情還精彩？

爬了自己的微信好友，原來他們是這樣的人……

春節人口遷徙大數據報告！

七夕前消費趨勢數據

爬了一下天貓上的Bra購買記錄，有了一些羞羞噠的發現...

Python做了六百萬字的歌詞分析，告訴你中國Rapper都在唱些啥

分析了42萬字歌詞后，終於搞清楚民謠歌手唱什么了

十二星座的真實面目

唐朝詩人之間的關系到底是什么樣的？

中國姓氏排行榜

 

三.爬蟲注意事項

1.設置合理的爬取間隔，不會給對方運維人員造成壓力，也可以防止程序被迫中止。

• import time
• import random
• time.sleep(random.random()*3)

2.設置合理的user-agent，模擬成真實的瀏覽器去提取內容。

1. 首先打開你的瀏覽器輸入：about:version。
2. 用戶代理:
3. 收集一些比較常用的瀏覽器的user-agent放到列表里面。
4. 然后import random，使用隨機獲取一個user-agent
5. 定義請求頭字典headers={’User-Agen‘：}
6. 發送request.get時，帶上自定義了User-Agen的headers

 

3.需要登錄

發送request.get時，帶上自定義了Cookie的headers

headers={’User-Agen‘：  

'Cookie':    }

 

4.使用代理IP

通過更換IP來達到不斷高 效爬取數據的目的。

headers = {

    "User-Agent": "",

}

proxies = {

    "http": " ",

    "https": " ",

}

response = requests.get(url, headers=headers, proxies=proxies)

 

---

 

python大作業之--使用python爬取微信好友

01 准備工作

運行平台：Windows 10
Python版本：Python3.7

 

首先登陸python版本微信itchat，生成二維碼掃描登陸獲取微信好友列表

然后統計好友男女數量並打印輸出

接着使用matplotlib繪圖

輸出結果可以我的微信好友男女比例大概五五開，即使是在男女37開的學校，說明我微信里的女生數比較少，有待加強。

接着獲取微信好友的信息

 

 

統計好友所在城市信息並繪圖輸出

 

輸出結果可以看出廣州的好友占了大多數，因為是在廣州上的大學，所以身邊大多數都是廣州的吧，還有比較多的城市的就是汕尾了，因為老家在汕尾，所以汕尾的人數也達到了45，緊接着就深圳等大城市了。

根據獲取到的微信好友個性簽名畫詞雲

 

 輸出結果可以看出我微信好友的個性簽名比較勵志正常的，像努力，時間，開心，自己，平安等，另外廣商也是一大特征。

 完整代碼：

# -*- coding: utf-8 -*-

import numpy as np
import itchat
import matplotlib.pyplot as plt
# 登錄微信，會彈出二維碼，用手機微信掃一掃即可登錄
itchat.login()
# 獲取好友的所有數據
friends = itchat.get_friends(update=True)[0:]

# ***-----統計好友性別比例-----***
# 初始化計數器
male = female = other = 0
# friends[0]是自己的信息，因此從friends[1]開始
for i in friends[1:]:
    sex = i['Sex']
    if sex == 1:
        male += 1
    elif sex == 2:
        female += 1
    else:
        other += 1
# 計算朋友總數
total = len(friends[1:])
# 打印輸出好友性別比例
print(
    "男性好友: %.2f%%" % (float(male)/total * 100) + "\n" +
    "女性好友: %.2f%%" % (float(female)/total * 100) + "\n" +
    "不明性別好友: %.2f%%" % (float(other)/total * 100)
    )


# 進行繪圖
label_name = ["Boy", "Girl", "Unknown"]
gender_list = [male, female, other]
plt.figure()
plt.bar(range(len(gender_list)), gender_list, tick_label=label_name)

# 繪圖中文顯示設置
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

plt.xlabel(u'性別')
plt.ylabel(u'人數')
plt.title(u'好友性別比例')

# 在柱狀圖上顯示數字
x=np.arange(3)
y=np.array(gender_list)
for a,b in zip(x,y):
    plt.text(a, b+0.1, '%.2f' % b, ha='center', va= 'bottom',fontsize=12)


# ***-----獲取各類信息-----***
# 定義函數，爬取所有好友的指定信息
def get_var(var):
    variable = []
    for i in friends[1:]:
        value = i[var]
        variable.append(value)
    return variable

# 調用函數，得到對應信息，並存入csv文件，保存到桌面
NickName = get_var("NickName")
Sex = get_var("Sex")
Province = get_var("Province")
City = get_var("City")
Signature = get_var("Signature")

# Excel 打開中文亂碼問題 未解決
# 不過可以通過Excel->數據->文本導入的形式，將csv文件導入，就可以避免亂碼問題
from pandas import DataFrame

data = {"NickName": NickName, "Sex": Sex, "Province": Province,
            "City": City, "Signature": Signature}
frame = DataFrame(data)
frame.to_csv('data.csv', encoding='utf_8_sig', index=True)

# ***-----統計好友城市分布-----***
city_dict = {}
x_city = []
y_city = []
for city_name in City:
    if city_name in city_dict:
        city_dict[city_name] += 1
    else:
        city_dict[city_name] = 1
city_list = sorted(city_dict.items(), key=lambda item:item[1], reverse=True)
# 將前14個城市排序顯示，去除排名第一的未知城市（城市信息為空的好友）
for i in city_list[1:15]:
    x_city.append(i[0])
    y_city.append(i[1])
plt.figure()
plt.bar(range(len(x_city)), y_city, tick_label=x_city)
plt.xlabel(u'城市')
plt.ylabel(u'人數')
plt.title(u'好友城市分布')
# 在柱狀圖上顯示數字
x=np.arange(len(x_city))
y=np.array(y_city)
for a,b in zip(x,y):
    plt.text(a, b+0.06, '%.2f' % b, ha='center', va='bottom', fontsize=9)

# ***-----根據個性簽名繪制詞雲圖-----***
# 通過正則匹配清洗數據
import re
Signature_list = []
for i in friends:
    signature = i["Signature"].strip().replace("span", "").replace("class", "").replace("emoji", "")
    rep = re.compile("lf\d+\w*|[<>/=]")
    signature = rep.sub("", signature)
    Signature_list.append(signature)
text = "".join(Signature_list)
# 調包進行分詞
import jieba
wordlist = jieba.cut(text, cut_all=False)
word_space_split = " ".join(wordlist)
# 調包進行詞雲圖繪制
from wordcloud import WordCloud, ImageColorGenerator
import PIL.Image as Image
coloring = np.array(Image.open("czc.jpg"))
my_wordcloud = WordCloud(background_color="white", max_words=200,
mask=coloring, max_font_size=70, random_state=42, scale=2,
font_path="C:\Windows\Fonts\SimHei.ttf").generate(word_space_split)
image_colors = ImageColorGenerator(coloring)
plt.figure()
plt.imshow(my_wordcloud.recolor(color_func=image_colors))
plt.imshow(my_wordcloud)
plt.axis("off")
plt.show()

 

還可以使用獲取到的微信好友頭像進行拼接（參考https://blog.csdn.net/zrp220807/article/details/80455651）

核心模塊

• itchat（爬取頭像）

• pillow（拼接頭像）

內置模塊

• os（文件夾操作）
• math（數學計算）