手把手教你用itchat统计好友信息，了解一下？

初学Python的时候，就写过一篇利用Python的第三方库进行好友头像拼接，itchat itchat库初探–微信好友全头像的拼接，最近又研究了下itchat和matplotlib，目前实现了对微信好友头像、性别、区域、个性签名的采集及展示。
本文就来详细介绍一下这个库的用法和一些核心逻辑实现。
1.微信登录

三行代码实现登录，为了避免我们频繁扫描二维码登录，这里我们加入hotReload=True

import itchat

itchat.auto_login(hotReload=True)
itchat.dump_login_status()
复制代码
好友信息获取

we_friend = itchat.get_friends(update=True)[:]
复制代码这里的we_friend是好友的信息的列表，每一个好友字典的 key 如下表

key
备注

UserName
微信系统内的用户编码标识

NickName
好友昵称

Sex
性别

Province
省份

City
城市

HeadImgUrl
微信系统内的头像URL

RemarkName
好友的备注名

Signature
个性签名

有了key对应的值，我们就好处理了。
2.好友性别
这里顺便提一下：如果sex=1则代表男性，sex=2代表女性
total = len(we_friend[1:])
for fri_info in we_friend[1:]:
sex = fri_info[‘sex’]
# 如果sex=1 代表男性 sex=2代表女性
if sex == 1:
man += 1
elif sex == 2:
woman += 1
else:
other += 1
复制代码统计出男生、女生的以及总人数后，占比自然而然就出来了，为了更好的展示男女比例，我们以饼图展示。

绘制饼图

man_ratio = int(man)/total * 100
woman_ratio = int(woman)/total * 100
other_ratio = int(other)/total * 100

plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 用来正常显示中文标签
plt.rcParams[‘axes.unicode_minus’] = False # 用来正常显示负号
plt.figure(figsize=(5, 5)) # 绘制的图片为正圆
sex_li = [‘男’, ‘女’, ‘其他’]
radius = [0.01, 0.01, 0.01] # 设定各项距离圆心n个半径
colors = [‘red’, ‘yellowgreen’, ‘lightskyblue’]
proportion = [man_ratio, woman_ratio, other_ratio]

plt.pie(proportion, explode=radius, labels=sex_li, colors=colors, autopct=’%.2f%%’) # 绘制饼图

加入图例 loc = ‘upper right’ 位于右上角 bbox_to_anchor=[0.5, 0.5] # 外边距 上边 右边 borderaxespad = 0.3图例的内边距

plt.legend(loc=“upper right”, fontsize=10, bbox_to_anchor=(1.1, 1.1), borderaxespad=0.3)

绘制标题

plt.title(‘微信好友性别比例’)

展示

plt.show()
复制代码
作为一个码农、程序猿，还能有这么多女性好友实属不易啊。敏感的我，看了这个比例深深地感觉到了不安，（此图女朋友不可见）另外，怎么还有一些未知生物的存在…

友情提醒：matplotlib中文乱码这个问题一直存在，这里记录下如何解决matplotlib中文乱码

准备好想要使用的中文字体，这里我用的是SimHei，附下载地址：中文字体下载
找到matplotlib的文件位置

import matplotlib
print(matplotlib.matplotlib_fname()) # 查看路径
复制代码

进入上方打印的路径

把刚才下载的字体文件解压放入/usr/local/lib/python3.5/dist-packages/matplotlib/mpl-data/fonts/ttf 目录

返回上级目录，修改matplotlibrc文件，取消相关注释，并在font.serif加入刚才下载的字体

font.family : sans-serif
font.serif : SimHei, DejaVu Serif, Bitstream Vera Serif, New Century Schoolbook, Century Schoolbook L, Utopia, ITC Bookman, Bookman, Nimbus Roman No9 L, Times New Roman, Times, Palatino, Charter, serif
复制代码
删除matplotlib缓存。

在terminal中：cd ~/.cache/matplotlib

把.cache下面的matplotlib文件夹删除。

$ rm -rf matplotlib
复制代码
3.微信好友头像
这里其实看过我之前文章的应该知道，其实头像的拼接主要分为两部分

1.采集所有好友头像保存本地，

import os

num = 0
pwd_path = os.path.abspath(os.path.dirname(os.getcwd()))
desc_photos = os.path.join(pwd_path, ‘res/photos’)
for i in friends:
img = itchat.get_head_img(userName=i[“UserName”])
file_image = open(desc_photos + “/” + str(num) + “.jpg”, ‘wb’)
file_image.write(img)
file_image.close()
num += 1
复制代码
2.对所有头像进行拼接

ls = os.listdir(desc_photos)
each_size = int(math.sqrt(float(640 * 640) / len(ls))) # 算出每张图片的大小多少合适
lines = int(640 / each_size)
image = Image.new(‘RGBA’, (640, 640)) # 创建640*640px的大图
x = 0
y = 0

for i in range(0, len(ls) + 1):
try:
img = Image.open(desc_photos + “/” + str(i) + “.jpg”)
except IOError:
print(“Error”)
else:
img = img.resize((each_size, each_size), Image.ANTIALIAS)
image.paste(img, (x * each_size, y * each_size)) # 粘贴位置
x += 1
if x == lines: # 换行
x = 0
y += 1

image.save(desc_full + “/好友头像拼接图.jpg”)
复制代码密集恐惧症患者请忽略!!!

4.微信好友地区分布
– 获取区域及城市
prov_dict, city_dict = {}, {}
for fri_info in we_friend[1:]:
prov = fri_info[‘province’]
city = fri_info[‘city’]
if prov and prov not in prov_dict.keys():
prov_dict[prov] = 1
elif prov:
prov_dict[prov] += 1
if city and city not in city_dict.keys():
city_dict[city] = 1
elif city:
city_dict[city] += 1
复制代码由于城市太多，我们取好友数量排名前十的城市及区域进行展示，感兴趣的可以稍微改下代码，就可以展示所有区域人数。
排序这里我用了Python的sorted()函数，列表的每个元素都为二维元组，key参数传入了一个lambda函数，其x就代表列表里的每一个元素，然后分别利用索引返回元素内的第一个和第二个元素，这就代表了sorted()函数利用哪一个元素进行排列。而reverse决定是正序还是倒序，默认为False。

区域Top10

prov_dict_top10 = sorted(prov_dict.items(), key=lambda x: x[1], reverse=True)[0:10]

城市Top10

city_dict_top10 = sorted(city_dict.items(), key=lambda y: y[1], reverse=True)[0:10]
复制代码
区域、城市柱形图展示，由于思路代码是一致的，所以这里只展示区域的代码

prov_nm, prov_num = [], [] # 省会名 + 数量
for prov_data in prov_dict_top10:
prov_nm.append(prov_data[0])
prov_num.append(prov_data[1])

pwd_path = os.path.abspath(os.path.dirname(os.getcwd()))
desc_full = os.path.join(pwd_path, ‘res’)
colors = [’#00FFFF’, ‘#7FFFD4’, ‘#F08080’, ‘#90EE90’, ‘#AFEEEE’,
‘#98FB98’, ‘#B0E0E6’, ‘#00FF7F’, ‘#FFFF00’, ‘#9ACD32’]
plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 用来正常显示中文标签
plt.rcParams[‘axes.unicode_minus’] = False # 用来正常显示负号

index = range(len(prov_num))
plt.bar(index, prov_num, color=colors, width=0.5, align=‘center’)

plt.xticks(range(len(prov_nm)), prov_nm) # 横坐轴标签
for x, y in enumerate(prov_num):
# 在柱子上方1.2处标注值
plt.text(x, y + 1.2, ‘%s’ % y, ha=‘center’, fontsize=10)
plt.ylabel(‘省会好友人数’) # 设置纵坐标标签
prov_title = ‘微信好友区域Top10’
plt.title(prov_title) # 设置标题
plt.savefig(desc_full + ‘/微信好友区域Top10’) # 保存图片
复制代码

通过柱形图展示，可以清晰看到我的好友主要分布在河南和上海，借此不难推测出我的工作地址以及户籍所在地。
5.微信好友个性签名情感分析及词云图展示
这里使用了常用的中文分词库jieba，词云图的背景采用了萌萌大小猪佩奇(´๑•_•๑)

分词

sign_li = []
rule = re.compile(“1f\d+\w*|[<>/=]”) # 定义正则规则
for fri_info in we_friend[1:]:
signature = fri_info[‘signature’]
if signature:
sign_deal = signature.replace(’\n’, ‘’).replace(’\t’, ‘’).replace(’ ', ‘’)
.replace(“span”, “”).replace(“class”, “”).replace(“emoji”, “”)
sign = rule.sub("", sign_deal)
sign_li.append(sign)
复制代码
制作词云图

pwd_path = os.path.abspath(os.path.dirname(os.getcwd()))
conf_path = os.path.join(pwd_path, ‘conf/’)
comment_txt = ‘’
back_img = plt.imread(conf_path + ‘/peiqi.jpg’)
cloud = WordCloud(font_path=conf_path + ‘/simhei.ttf’, # 若是有中文的话，这句代码必须添加，不然会出现方框，不出现汉字
background_color=“white”, # 背景颜色
max_words=5000, # 词云显示的最大词数
mask=back_img, # 设置背景图片
max_font_size=100, # 字体最大值
random_state=42,
width=360, height=591, margin=2, # 设置图片默认的大小,但是如果使用背景图片的话,保存的图片大小将会按照其大小保存,margin为词语边缘距离
)
for li in comment:
comment_txt += ’ '.join(jieba.cut(li, cut_all=False))
wc = cloud.generate(comment_txt)
image_colors = ImageColorGenerator(back_img)
plt.figure(“wordc”)
plt.imshow(wc.recolor(color_func=image_colors))
wc.to_file(res_full + ‘好友个性签名词云图.png’)
复制代码
最初，只想做一个简单的词云图，但是看到这个词云图中梦想、努力、专注、尊重、希望这个几个词以后，感觉到我的好友生活态度还是蛮积极向上的，就想不如再做一个简单的情感分析，说干就干。
sentimentslist = []
for li in comment:
if len(li) > 0:
s = SnowNLP(li)
print(li, s.sentiments)
sentimentslist.append(s.sentiments)
fig1 = plt.figure(“sentiment”)
plt.hist(sentimentslist, bins=np.arange(0, 1, 0.02))
plt.savefig(res_full + ‘好友签名情感分析’)
plt.show()
复制代码
从图中可以看出，正向情感要远远多于负向情感的数据，积极乐观的人往往都在一个圈子，果然是物以类聚，人以群分啊。