mysql怎么生成词云_Python单线程爬取QQ空间说说存入MySQL并生成词云（超详细讲解，踩坑经历）...

看了网上的许多博客，基本上都是一个样，基本的知识也没详细解释，我这次也想跟大家仔细分析一下，自己还是要有一定爬虫基础，本人技术有限，如果本文哪有错误或不够准确的地方，还望大牛们指点ヾ(๑╹◡╹)ﾉ"

一、环境配置：

Python 3.6

selenium (注意:先配置好自己浏览器的驱动，下载地址看下面)

pymysql

re

requests

点击下载chrome的---->Chrome_webdriver

点击下载Firefox的---->Firefox_webdriver

点击下载IE的---->IE_webdriver

先来张效果图看看效果

image

二、思路：

作为一个菜鸡学了一点爬虫，就想做一个好友的说说分析，最开始我以为这个爬虫很简单几十行就可以搞定，然而忽略了一些东西。。。。(先卖个关子)

先说说整个过程的想法：

image

看起来是不是很简单？(手动dog)那现在我们就来按步骤操作一下

1.找到包含好友的QQ信息的url(这里也有两种方法)

法一：

先点开好友这一栏,通过亲密度的排行来获取，这里我们点开F12，选中Network

一般这种信息都在XHR或者JS类型里面，大家可以在这里面找找，通过一会的寻找我们就发现friend_ship开头这xhr里面的items_list就包含了好友的QQ号和姓名，但是此方法获取的qq不全，只是大部分的qq

kFEYMq.png

kFE4Fe.png

法二：

点击页面最上面的设置按钮，滑动可见好友，通过js的结果分析，随着下滑请求的url的页数都在变化，我们只要每次修改下页数的参数就可以获取所有好友的QQ，这个方法可以获取所有的好友的qq，但对于qq好友很少的朋友来说，此方法不适用

image

image

image

2.找到包含好友的说说的url

我们先随便点进一个好友的空间进行分析

image

点进去过后，我们F12 进行分析，发现一页最多存20条说说，以此我们可以通过说说总数(re提取)来算出一共有多少页，然后通过构造url来获取

image

通过以上的分析过后我们开始获取url：

我们先看看获取qq的第一种方法的url：

https://user.qzone.qq.com/proxy/domain/r.qzone.qq.com/cgi-bin/tfriend/friend_ship_manager.cgi?uin=你的QQ号&do=1&rd=0.55484478707938&fupdate=1&clean=1&g_tk=1376935160&qzonetoken=6e4e0b063e3f00421d98df35b330c8bb2158bb8697e5dc7a85a65b379407706960f0b1c422f9a26879&g_tk=1376935160

我们分析一下这里面每次登录都在变的参数

g_tk (空间加密算法)

qzonetoken (空间源码里面的参数)

那这两个参数我们要怎么获取呢？为什么每次登录这两个参数的都在变呢？

我们首先先要了解一下---->cookie

在看看session的基本概念

快速查看 cookies 的方法：按F12进入浏览器的开发者模式——console——在命令行输入javascript:alert(document.cookie)，再回车即可看见

所以我们登录过后，每次都访问url的时候都要保持着参数不变，也就是说cookie不能变

每次都要是同一个cookie(就相当于每次都是以你的身份保持着登录状态去访问他人空间)，否则就会出现以下情况↓

image

理解好以上的几个问题过后，问题就解决了一大部分了

接着我们分析g_tk参数，在自己qq空间主页 F12 点JS类型文件，找到以下文件,查看Preview部分，分析一下其中的代码

image

image

其实这个程序的意思， 还是直接上代码吧

def get_tk(cookie):

hashes = 5381

for i in cookie['p_skey']: #提取cookie中p_skey每个字母

hashes += (hashes << 5) + ord(i) #加密过程,ord()将 字符转化为ASCII码

# << 二进制 左移运算 左移几位就相当于乘以2的几次方

return hashes & 2147483647 #二进制 与运算

# 比如 2&3 转为二进制 10&11

# 都是1结果为1，否则为0

# 所以二进制算出来是 10 返回2

# 还不懂的朋友，还是自行Baidu吧

随着我们分析第二个参数qzonetoken

这个参数很好获取，在我们空间主页右键查看网页源代码,Ctrl+F查找下可以找到，之后我们可以通过正则提取

image

ok，理解了上面的全部，基本就完成了80%了，接下来我们开始代码实现

三、代码实现：

先导入第三方库

import re, requests

import time, pymysql

from selenium import webdriver

from selenium.webdriver.common.by import By

from selenium.webdriver.support.ui import WebDriverWait

from selenium.webdriver.support import expected_conditions as EC

首先是登录，我们这里用selenium模拟浏览器实现

def login():

driver = webdriver.Chrome() # 传入浏览器对象

wait = WebDriverWait(driver, 5) # 显式等待

driver.get('https://qzone.qq.com/')

driver.switch_to_frame('login_frame') #切换到登录窗口

input = wait.until(EC.presence_of_element_located((By.ID, 'switcher_plogin')))# 显式等待 找到账号密码登录按钮

time.sleep(1)

input.click() # 交互点击

driver.find_element_by_id('u').clear() #清空里面的内容

driver.find_element_by_id('u').send_keys('your_qq') #传入你的QQ

time.sleep(3)

driver.find_element_by_id('p').clear()

driver.find_element_by_id('p').send_keys('your_password') #传入你的密码

button = driver.find_element_by_id('login_button') #找到登录按钮

time.sleep(3)

button.click()

time.sleep(1)

driver.switch_to.default_content() # 将frame重新定位回来，不然后续会出错

return driver

通过传回来的driver对象获取网页源代码和cookies

通过源代码获取qzonetoken参数

def get_qzonetoken(html):

paa = re.compile(r'window\.g_qzonetoken = \(function\(\)\{ try\{return "(.*?)";\} catch\(e\)', re.S)

res = re.findall(paa, html)[0] # 因为返回的是列表形式，所以只取第一个元素

return res

注意：driver.get_cookies()获取的cookies是散的，所以要进行以下操作：

def get_tk(cookie): #加密过程

hashes = 5381

for i in cookie['p_skey']:

hashes += (hashes << 5) + ord(i)

return hashes & 2147483647

cookies = driver.get_cookies()

for item in cookies:

cookie[item['name']] = item['value'] #将对应表达联系起来

# 上一步不懂的可以把 cookies的值输出来看一下

g_tk = get_tk(cookie)

3.将cookies传给requests,以保证都是在登录状态(最关键)

def back_session(driver):

mysession = requests.session() # 建立一个session对话

cookies = driver.get_cookies()

cookie = {}

for item in cookies:

cookie[item['name']] = item['value']

headers = {

'authority': 'user.qzone.qq.com',

'referer': 'https://qzone.qq.com/',

'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',

'accept-encoding': 'gzip, deflate, br',

'accept-language': 'zh-CN,zh;q=0.9',

'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36'

}

c = requests.utils.cookiejar_from_dict(cookie, cookiejar=None, overwrite=True)

# 将字典转化为cookiejar形式

mysession.headers = headers # 请求头，防止反爬

mysession.cookies.update(c) # 更新cookies

return mysession # 返回带cookies的requests

存入MySQL

connection = pymysql.connect(host='your_host', port=3306, user='你的账户', passwd='你的密码', db='your_database')

connection.autocommit(True) #开启自动提交 不然每次执行

def save_mysql(say, stime, QQ, connection): #这里我存入说说、说说时间、qq号

stime = str(stime)

content = str(say)

QQ = str(QQ)

sql = 'insert into qq values ("{}","{}","{}")'.format(content, stime, QQ)

connection.query(sql)

# 数据库建表的时候 一定要把字符集改成utf8

看看效果图，爬了40多分钟，四万多条数据，有点小慢。。。，很慢。大家可以尝试下多线程爬取

image

完成以上步骤之后整个框架就都搭好了，其余数据的提取大家就先自己完成了吧(本文最后会给出GitHub地址)，也希望大家看思路过后，自己操作，不仅仅是copy、paste and run

导出某个好友的数据库，用Notepad++过滤一些数据后，通过词云分析

import jieba

from matplotlib import pyplot as plt

from wordcloud import WordCloud

from PIL import Image

import numpy as np

path = r'your_data.text_path'

font = r'C:\Windows\Fonts\simkai.TTF' # 字体path

text = (open('C:/Users/hp/Desktop/233.txt', 'r', encoding='utf-8')).read() # 如果是中文的话encoding换成utf8

cut = jieba.cut(text) # 分词

string = ' '.join(cut)

print(len(string))

img = Image.open('your_photo_path') # 打开图片

img_array = np.array(img) # 将图片装换为数组

stopword = ['xa0'] # 设置停止词，也就是你不想显示的词，这里这个词是我前期处理没处理好，你可以删掉他看看他的作用

wc = WordCloud(

scale=4, #清晰度

background_color='white', #背景颜色

max_words=400, #最多单词

width=1000,

height=800,

mask=img_array,

font_path=font,

stopwords=stopword # 停用词

)

wc.generate_from_text(string) # 绘制图片

plt.imshow(wc)

plt.axis('off')

plt.figure()

#plt.show() # 显示图片

wc.to_file('F:/3.png') # 保存图片

最后我么就分析到以下图片，字越大说明出现次数最多

image