【爬虫】微博#司徒大佬

今天进行微博话题的爬虫练习,并提取关键字进行可视化展示。

了解网页详情

爬微博,如果不进行手动输入,一般只展示几条信息。所以,我们将利用手机客户端的网址连接进行爬取。
进入搜索页面
在这里插入图片描述
往下拉页面查看内容
在这里插入图片描述
需要登陆。
不过我们可以点击右键,选择inspect(谷歌浏览器)在这里插入图片描述
会出现页面如图
在这里插入图片描述
点击toggle device toolbar 则会切换成手机客户端的模式。
在这里插入图片描述
接下来我们点击查看network,刷新页面,查看微博手机视图,看是否正常加载信息。

然后点击name中的一条,查看preview。我们想要的留言内容就在data里面。(可以仔细取探索更多内容)
在这里插入图片描述

我们需要的网址在headers里面,可以点击复制粘贴下来。

编码

爬取微博内容

import requests
import pandas as pd

def get_weibo_info(url):
    headers ={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
}
    articles = []
    for i in range(1,5):
        url = url + str(i) #获取网页信息,也可以.format()的形式
        res = requests.get(url,headers=headers)
        data = res.json()
        articles.extend([rec['mblog'] for rec in data['data']['cards'] if rec.get('mblog')]) #观察得出评论在mblog里,所以只用提取mblog里的
        df = pd.DataFrame(articles)
        
    return df

df = get_weibo_info('https://m.weibo.cn/api/container/getIndex?containerid=100103type%3D1%26q%3D%25E5%258F%25B8%25E5%25BE%2592%25E6%25AD%25A3%25E7%25BE%258E&page_type=searchall&page=')

清洗内容

from bs4 import BeautifulSoup
def parseArticle(e):
    soup = BeautifulSoup(e,'lxml')
    return soup.text #显示tag标签的内容
df['cut'] = df['text'].map(parseArticle).apply(lambda x : list(jieba.cut(x))) 
df_cut = df['cut'].tolist()
df_cuts = [j for i in df_cut for j in i if j != ' '] 

stopwords = pd.read_csv('停用词.csv',header=0)
stop_list = stopwords['停用词'].tolist() #加载停用词
split_words = list(x for x in df_cuts if x not in stop_list)

可视化文字内容

import matplotlib.pyplot as plt 
%matplotlib inline
from wordcloud import WordCloud, ImageColorGenerator

newtxt = ' '.join(split_words)
backgroud_Image = plt.imread('mask.jpg')
w = WordCloud(width=1200,height=1000,mask=backgroud_Image,max_words=100,
                       font_path='字体管家胖丫儿.ttf',
                       background_color='white')

wordcloud = w.generate(newtxt)

plt.imshow(wordcloud)
plt.axis('off')

生成图片
在这里插入图片描述

R.I.P

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python爬虫微博的过程可以分为以下几个步骤: 1. 确定要爬取的微博页面。可以通过查看微博源代码来确定要抓取的内容在哪里,比如需要抓取正文或评论等。 2. 引入所需要的Python库。在爬虫过程中,常用的库有re、requests和beautifulsoup。re模块可以用于匹配字符串,提取所需要的部分。requests是一个用于发起HTTP请求的库,比urllib更加方便。beautifulsoup则提供了一些简单的函数来处理导航、搜索和修改分析树等功能。 3. 对微博页面进行解析和清洗。可以使用re模块对微博文本内容进行简单的清洗操作,比如去除换行符等,以得到干净的结果。 4. 使用requests库发起HTTP请求,获取微博页面的源代码。 5. 使用beautifulsoup库对源代码进行解析,提取所需的内容,如正文或评论等。 6. 对提取的内容进行进一步处理,可以根据需要进行保存、分析或展示。 请注意,爬取网站的内容需要遵守相关的法律法规和网站的使用协议,避免侵犯他人的权益。建议在进行任何爬虫活动前,先了解并遵守相关规定。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [python3--爬虫--微博爬虫实战](https://blog.csdn.net/weixin_46863267/article/details/108512962)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [通过微博简易上手Python爬虫](https://blog.csdn.net/weixin_43827628/article/details/113139618)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值