python爬虫词云_Python爬虫：动态爬取QQ说说并生成词云，分析朋友状况

跟着@逆水寒大佬学爬虫，Python动态爬取QQ空间说说，把内容存入txt文档，然后将内容生成词云图。可以清晰看出朋友状况。

1、爬取动态内容

1、因为动态页面内容是动态加载的，我们需要不断下滑，加载页面。

2、切换到当前内容的中，也可能不是，这里需要查看具体情况。

3、获取页面数据，然后放在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，

# 从1开始加载到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

strWrod = "windows.scrollBy(0, "+str(height)+")" # 制定滚动的像素数

# 多数情况下一个网页由多个或组成，webdrive默认定位的是最外层的,

# 所以这时候要选中说说所在的，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 = select.xpath('//*[@id="msgList"]/li[1]/div[3]/div[2]')

这里用到了Window scrollBy() 方法，滚动页面，scrollBy() 方法可把内容滚动指定的像素数。

注意： 要使此方法工作 window 滚动条的可见属性必须设置为true！

结合昨天学习的selenium模拟登陆知乎。开始今天的实战

爬完完整代码如下：

import time

from selenium import webdriver

from lxml import etree

friend = '5XXXXX3' # 朋友的QQ号，朋友的空间要求允许你能访问

user = '2XXXXXXX' # 你的QQ号

pw = 'XXXXXXX' # 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()

time.sleep(4)

# 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)+")" # 按照指定像素滚动

driver.execute_script(strWord) # 执行Js脚本

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

# 所以这里需要选中一下说说所在的，否则找不到下面需要的网页元素

driver.switch_to.frame("app_canvas_frame") # 定位

selector = etree.HTML(driver.page_source) # 将当前网页解析成xpath

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

time.sleep(4)

# 这里使用a表示内容可以连续不清空写入

with open('qq_word.txt', 'a', encoding='utf-8')as f:

for div in divs:

qq_name = div.xpath('./div[2]/a/text()') # 朋友名字

qq_content = div.xpath('./div[2]/pre/text()') # 说说内容

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

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_content, qq_time)

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有把页面下拉，所以要跳到外层的frame上

driver.switch_to.parent_frame() # 切回到主文档

driver.quit() # 关闭浏览器

这里一定要设置编码格式，防止后面写入文件时报错

"""

python2的解决办法

python 默认编码方式是'ascii'，这里我们要设置成'utf-8',否则在处理

异常的时候会报错，所以我们会设置python默认编码命令(sys.getdefaultencoding())

可能会报错AttributeError: 'module' object has no attribute 'setdefaultencoding'的错误,这时候我们可以reload(sys),再次执行

sys.getdefaultencoding()顺利通过，重新执行程序的时候会再次加载sys模块，解决的方法就是reload(sys)

"""

我用的Python3.6，解决办法是

encoding ='utf-8'

因为python3.6中reload(sys) 和 sys.getdefaultencoding()不用了

2、生成词云

生成词云需要的库

1、world cloud 生成词云

2、matplotlib 生成词云图片

3、

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), encoding='utf-8').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,

# 设置字体最小值

min_font_size=8,

# 设置有多少种随机生成状态，即有多少种配色方案

random_state=60,

)

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('qq_word')

湿人

总结

这次利用selenium动态爬取,这是还是模仿寒大的代码。改成了PYthon3，遇到的问题就是编码问题。网页结构里之前没有遇到过，这次是遇到的一个大坑。

再说说最大的坑，浏览器驱动。我在生成词云的时候word cloud安装不上，去pip安装发现还是VC++14.0的问题，我重新配置环境安装vs2015，最后词云生成，再去爬取别人的说说，发现selenium的send.kyes(‘传参’)无法输入，报错是格式错误，但是之前明明运行正常。谁会想到是驱动问题呢，我从半夜1点搞到了快天亮5点半，各种换不同版本的python，换浏览器。早上9点忍不住去星球提问，同时向群里的球友提问，我当时纠结是不是python版本高或者是浏览器版本高，我拼着一股执拗各种安装，还是没有解决问题，最后在想索性再去换换驱动，去GIt上一看，最新的64位驱动和我昨天下载的不一样大，更换驱动。重启，成功运行。对待问题我还是太钻牛角尖 了。唉！被火狐浏览器驱动兼容好误导了！