python爬取数据生成词云_利用Python动态爬取QQ说说并生成词云，分析朋友状况！...

今天我们要做的事情是使用动态爬虫来爬取QQ空间的说说，并把这些内容存在txt中，然后读取出来生成云图，这样可以清晰的看出朋友的状况。

这是好友的QQ空间10年说说内容，基本有一个大致的印象了。

爬取动态内容

因为动态页面的内容是动态加载出来的，所以我们需要不断下滑，加载页面

切换到当前内容的frame中,也有可能不是frame,这里需要查看具体情况

获取页面源数据，然后放入xpath中，然后读取

# 下拉滚动条，使浏览器加载出动态加载的内容，

# 我这里是从1开始到6结束 分5 次加载完每页数据

for i in range(1,6):

height = 20000*i#每次滑动20000像素

strWord = "window.scrollBy(0,"+str(height)+")"

driver.execute_script(strWord)

time.sleep(4)

# 很多时候网页由多个或组成，webdriver默认定位的是最外层的frame，

# 所以这里需要选中一下说说所在的frame，否则找不到下面需要的网页元素

driver.switch_to.frame("app_canvas_frame")

selector = etree.HTML(driver.page_source)

divs = selector.xpath('//*[@id="msgList"]/li/div[3]')

所有的注释都在代码中，所以也就不作详情说明，

昨天的模拟登录大家都应该掌握了，没有掌握的自己再去复习一下

.Python爬虫：学习Selenium并使用Selenium模拟登录知乎

爬取说说的完整代码

#coding:utf-8

import time

from selenium import webdriver

from lxml import etree

#这里一定要设置编码格式，防止后面写入文件时报错

import sys

reload(sys)

sys.setdefaultencoding( "utf-8" )

friend = 'XXX' # 朋友的QQ号，朋友的空间要求允许你能访问

user = 'XXX' # 你的QQ号

pw = 'XXXX' # 你的QQ密码

#获取浏览器驱动

driver = webdriver.Firefox()

# 浏览器窗口最大化

driver.maximize_window()

# 浏览器地址定向为qq登陆页面

driver.get("http://i.qq.com")

# 所以这里需要选中一下frame，否则找不到下面需要的网页元素

driver.switch_to.frame("login_frame")

# 自动点击账号登陆方式

driver.find_element_by_id("switcher_plogin").click()

# 账号输入框输入已知qq账号

driver.find_element_by_id("u").send_keys(user)

# 密码框输入已知密码

driver.find_element_by_id("p").send_keys(pw)

# 自动点击登陆按钮

driver.find_element_by_id("login_button").click()

# 让webdriver操纵当前页

driver.switch_to.default_content()

# 跳到说说的url, friend你可以任意改成你想访问的空间

driver.get("http://user.qzone.qq.com/" + friend + "/311")

next_num = 0 # 初始“下一页”的id

while True:

# 下拉滚动条，使浏览器加载出动态加载的内容，

# 我这里是从1开始到6结束 分5 次加载完每页数据

for i in range(1,6):

height = 20000*i#每次滑动20000像素

strWord = "window.scrollBy(0,"+str(height)+")"

driver.execute_script(strWord)

time.sleep(4)

# 很多时候网页由多个或组成，webdriver默认定位的是最外层的frame，

# 所以这里需要选中一下说说所在的frame，否则找不到下面需要的网页元素

driver.switch_to.frame("app_canvas_frame")

selector = etree.HTML(driver.page_source)

divs = selector.xpath('//*[@id="msgList"]/li/div[3]')

#这里使用 a 表示内容可以连续不清空写入

with open('qq_word.txt','a') as f:

for div in divs:

qq_name = div.xpath('./div[2]/a/text()')

qq_content = div.xpath('./div[2]/pre/text()')

qq_time = div.xpath('./div[4]/div[1]/span/a/text()')

qq_name = qq_name[0] if len(qq_name)>0 else ''

qq_content = qq_content[0] if len(qq_content)>0 else ''

qq_time = qq_time[0] if len(qq_time)>0 else ''

print qq_name,qq_time,qq_content

f.write(qq_content+"\n")

# 当已经到了尾页，“下一页”这个按钮就没有id了，可以结束了

if driver.page_source.find('pager_next_' + str(next_num)) == -1:

break

# 找到“下一页”的按钮，因为下一页的按钮是动态变化的，这里需要动态记录一下

driver.find_element_by_id('pager_next_' + str(next_num)).click()

# “下一页”的id

next_num += 1

# 因为在下一个循环里首先还要把页面下拉，所以要跳到外层的frame上

driver.switch_to.parent_frame()

这样所有的说说内容就可以爬取到了。并且存到了同级目录中

生成词云

生成词云需要用到的库：wordcloud, 生成词云matplotlib， 生成词云图片jieba ，这个库可用可不用，但我因为中文一直显示不出来，后来加上了这个库，就能显示中文了。

#coding:utf-8

"""

使用结巴分词生成云图

说明这里

1.生成词云一定要设置字体样式，否则汉字出现乱码或者不显示

2.我不知道为什么本机一直显示不了中文，后面我加了jieba分词词库就可以显示中文了

"""

from wordcloud import WordCloud

import matplotlib.pyplot as plt

import jieba

#生成词云

def create_word_cloud(filename):

text= open("{}.txt".format(filename)).read()

# 结巴分词

wordlist = jieba.cut(text, cut_all=True)

wl = " ".join(wordlist)

# 设置词云

wc = WordCloud(

# 设置背景颜色

background_color="white",

# 设置最大显示的词云数

max_words=2000,

# 这种字体都在电脑字体中，一般路径

font_path='C:\Windows\Fonts\simfang.ttf',

height= 1200,

width= 1600,

# 设置字体最大值

max_font_size=100,

# 设置有多少种随机生成状态，即有多少种配色方案

random_state=30,

)

myword = wc.generate(wl) # 生成词云

# 展示词云图

plt.imshow(myword)

plt.axis("off")

plt.show()

wc.to_file('py_book.png') # 把词云保存下

if __name__ == '__main__':

create_word_cloud('word_py')