爬虫综合大作业（震惊！爬取了590位微信好友后竟然发现了）

最新推荐文章于 2024-04-29 15:57:22 发布

weixin_30900589

最新推荐文章于 2024-04-29 15:57:22 发布

阅读量301

点赞数 1

文章标签：爬虫操作系统 python

原文链接：http://www.cnblogs.com/StuCzc/p/10774998.html

版权

作业要求来自https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/3159

可以用pandas读出之前保存的数据：见上次博客爬取全部的校园新闻并保存csv

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

一.把爬取的内容保存到数据库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数据库

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：

 1 newsdf = pd.read_csv(r'C:\Users\Czc\PycharmProjects\news.csv')
 2 
 3 import sqlite3
 4 '''
 5 with sqlite3.connect('gzccnewsdb.sqlite') as db:
 6     newsdf.to_sql('gzccnews',con = db)
 7 '''
 8 with sqlite3.connect('gzccnewsdb.sqlite') as db:
 9     df2 = pd.read_sql_query('SELECT * FROM gzccnews',con=db)
10 
11 
12 import pymysql
13 from sqlalchemy import create_engine
14 coninfo = "mysql+pymysql://root:@localhost:3306/gzccnews?charset=utf8"
15 engine = create_engine(coninfo,encoding="utf-8")
16 
17 newsdf.to_sql(name='news',con=engine,if_exists='append',index= False,index_label='id')

View Code

二.爬虫综合大作业

选择一个热点或者你感兴趣的主题。
选择爬取的对象与范围。
了解爬取对象的限制与约束。
爬取相应内容。
做数据分析与文本分析。
形成一篇文章，有说明、技术要点、有数据、有数据分析图形化展示与说明、文本分析图形化展示与说明。
文章公开发布。

参考：

32个Python爬虫项目

都是谁在反对996？

Python和Java薪资最高，C#最低！

给《流浪地球》评1星的都是什么心态？

《都挺好》弹幕数据，比剧情还精彩？

爬了自己的微信好友，原来他们是这样的人……

春节人口迁徙大数据报告！

七夕前消费趋势数据

爬了一下天猫上的Bra购买记录，有了一些羞羞哒的发现...

Python做了六百万字的歌词分析，告诉你中国Rapper都在唱些啥

分析了42万字歌词后，终于搞清楚民谣歌手唱什么了

十二星座的真实面目

唐朝诗人之间的关系到底是什么样的？

中国姓氏排行榜

三.爬虫注意事项

1.设置合理的爬取间隔，不会给对方运维人员造成压力，也可以防止程序被迫中止。

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

2.设置合理的user-agent，模拟成真实的浏览器去提取内容。

首先打开你的浏览器输入：about:version。
用户代理:
收集一些比较常用的浏览器的user-agent放到列表里面。
然后import random，使用随机获取一个user-agent
定义请求头字典headers={’User-Agen‘：}
发送request.get时，带上自定义了User-Agen的headers

3.需要登录

发送request.get时，带上自定义了Cookie的headers

headers={’User-Agen‘：

'Cookie': }

4.使用代理IP

通过更换IP来达到不断高效爬取数据的目的。

headers = {

"User-Agent": "",

}

proxies = {

"http": " ",

"https": " ",

}

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

python大作业之--使用python爬取微信好友

01 准备工作

运行平台：Windows 10
Python版本：Python3.7

首先登陆python版本微信itchat，生成二维码扫描登陆获取微信好友列表

然后统计好友男女数量并打印输出

接着使用matplotlib绘图

输出结果可以我的微信好友男女比例大概五五开，即使是在男女37开的学校，说明我微信里的女生数比较少，有待加强。

接着获取微信好友的信息

统计好友所在城市信息并绘图输出

输出结果可以看出广州的好友占了大多数，因为是在广州上的大学，所以身边大多数都是广州的吧，还有比较多的城市的就是汕尾了，因为老家在汕尾，所以汕尾的人数也达到了45，紧接着就深圳等大城市了。

根据获取到的微信好友个性签名画词云

输出结果可以看出我微信好友的个性签名比较励志正常的，像努力，时间，开心，自己，平安等，另外广商也是一大特征。

完整代码：

  1 # -*- coding: utf-8 -*-
  2 
  3 import numpy as np
  4 import itchat
  5 import matplotlib.pyplot as plt
  6 # 登录微信，会弹出二维码，用手机微信扫一扫即可登录
  7 itchat.login()
  8 # 获取好友的所有数据
  9 friends = itchat.get_friends(update=True)[0:]
 10 
 11 # ***-----统计好友性别比例-----***
 12 # 初始化计数器
 13 male = female = other = 0
 14 # friends[0]是自己的信息，因此从friends[1]开始
 15 for i in friends[1:]:
 16     sex = i['Sex']
 17     if sex == 1:
 18         male += 1
 19     elif sex == 2:
 20         female += 1
 21     else:
 22         other += 1
 23 # 计算朋友总数
 24 total = len(friends[1:])
 25 # 打印输出好友性别比例
 26 print(
 27     "男性好友: %.2f%%" % (float(male)/total * 100) + "\n" +
 28     "女性好友: %.2f%%" % (float(female)/total * 100) + "\n" +
 29     "不明性别好友: %.2f%%" % (float(other)/total * 100)
 30     )
 31 
 32 
 33 # 进行绘图
 34 label_name = ["Boy", "Girl", "Unknown"]
 35 gender_list = [male, female, other]
 36 plt.figure()
 37 plt.bar(range(len(gender_list)), gender_list, tick_label=label_name)
 38 
 39 # 绘图中文显示设置
 40 plt.rcParams['font.sans-serif']=['SimHei']
 41 plt.rcParams['axes.unicode_minus']=False
 42 
 43 plt.xlabel(u'性别')
 44 plt.ylabel(u'人数')
 45 plt.title(u'好友性别比例')
 46 
 47 # 在柱状图上显示数字
 48 x=np.arange(3)
 49 y=np.array(gender_list)
 50 for a,b in zip(x,y):
 51     plt.text(a, b+0.1, '%.2f' % b, ha='center', va= 'bottom',fontsize=12)
 52 
 53 
 54 # ***-----获取各类信息-----***
 55 # 定义函数，爬取所有好友的指定信息
 56 def get_var(var):
 57     variable = []
 58     for i in friends[1:]:
 59         value = i[var]
 60         variable.append(value)
 61     return variable
 62 
 63 # 调用函数，得到对应信息，并存入csv文件，保存到桌面
 64 NickName = get_var("NickName")
 65 Sex = get_var("Sex")
 66 Province = get_var("Province")
 67 City = get_var("City")
 68 Signature = get_var("Signature")
 69 
 70 # Excel 打开中文乱码问题 未解决
 71 # 不过可以通过Excel->数据->文本导入的形式，将csv文件导入，就可以避免乱码问题
 72 from pandas import DataFrame
 73 
 74 data = {"NickName": NickName, "Sex": Sex, "Province": Province,
 75             "City": City, "Signature": Signature}
 76 frame = DataFrame(data)
 77 frame.to_csv('data.csv', encoding='utf_8_sig', index=True)
 78 
 79 # ***-----统计好友城市分布-----***
 80 city_dict = {}
 81 x_city = []
 82 y_city = []
 83 for city_name in City:
 84     if city_name in city_dict:
 85         city_dict[city_name] += 1
 86     else:
 87         city_dict[city_name] = 1
 88 city_list = sorted(city_dict.items(), key=lambda item:item[1], reverse=True)
 89 # 将前14个城市排序显示，去除排名第一的未知城市（城市信息为空的好友）
 90 for i in city_list[1:15]:
 91     x_city.append(i[0])
 92     y_city.append(i[1])
 93 plt.figure()
 94 plt.bar(range(len(x_city)), y_city, tick_label=x_city)
 95 plt.xlabel(u'城市')
 96 plt.ylabel(u'人数')
 97 plt.title(u'好友城市分布')
 98 # 在柱状图上显示数字
 99 x=np.arange(len(x_city))
100 y=np.array(y_city)
101 for a,b in zip(x,y):
102     plt.text(a, b+0.06, '%.2f' % b, ha='center', va='bottom', fontsize=9)
103 
104 # ***-----根据个性签名绘制词云图-----***
105 # 通过正则匹配清洗数据
106 import re
107 Signature_list = []
108 for i in friends:
109     signature = i["Signature"].strip().replace("span", "").replace("class", "").replace("emoji", "")
110     rep = re.compile("lf\d+\w*|[<>/=]")
111     signature = rep.sub("", signature)
112     Signature_list.append(signature)
113 text = "".join(Signature_list)
114 # 调包进行分词
115 import jieba
116 wordlist = jieba.cut(text, cut_all=False)
117 word_space_split = " ".join(wordlist)
118 # 调包进行词云图绘制
119 from wordcloud import WordCloud, ImageColorGenerator
120 import PIL.Image as Image
121 coloring = np.array(Image.open("czc.jpg"))
122 my_wordcloud = WordCloud(background_color="white", max_words=200,
123 mask=coloring, max_font_size=70, random_state=42, scale=2,
124 font_path="C:\Windows\Fonts\SimHei.ttf").generate(word_space_split)
125 image_colors = ImageColorGenerator(coloring)
126 plt.figure()
127 plt.imshow(my_wordcloud.recolor(color_func=image_colors))
128 plt.imshow(my_wordcloud)
129 plt.axis("off")
130 plt.show()