文章首发于公众号:程序员共成长
咪蒙,文学硕士,驾驭文字能力极强。并且是一个拥有一千多万粉丝,每篇文章阅读量都100W+,头条发个软文都能赚80万,永远都能抓住粉丝G点的那个女人。
1月份因为某篇文章,在网络上被一大批网友炮轰。我也因此关注了她。一开始发现她的文章非常接地气,基本都是和生活紧密相连,但看的多了,发现经常在文中非常平滑的挑起某种关系之间的矛盾。很大一部分文章都是围绕女性展开话题。而且每天更新时间都在晚上十一点左右,几乎从来不间断。包括春节。
2015年9月15日,公众号第一篇文章《女友对你作?你应该谢天谢地,因为她爱你》,直男癌表示理解不来这话什么意思。 昨天公众号注销,又一次成为热点话题。历史文章也都不能看了,好在今天一个小伙伴分享了咪蒙所有文章的压缩包。
因为是直接从文件中读取数据,相比于从公众号中抓取文章要方便很多。最吸引我的说实话就是标题,读者都是被标题吸引了才去选择是否读你的文章。咪蒙这一点真的厉害。
总共1013篇文章,直接读取文件夹中的所有文件就好,
import os
import re
files = os.listdir(r"E:\BaiduNetdiskDownload\咪蒙\咪蒙全部文章PDF")
for i in files:
# 通过正则匹配标题中的日期
mat = re.search(r"(\d{4}_\d{1,2}_\d{1,2} )", i)
re_str = mat.groups()[0]
# 替换日期和文件后缀名
file_name = i.replace(re_str,'').replace('.pdf','')
# 去掉图片标题
if file_name == "分享图片":
continue
print(file_name)
更直观的去看标题,可以通过WorldCloud生成词云图。这里文章太多,生成所有标题的词云可能看不太清,所以只生成了近期部分标题。
import numpy as np
from PIL import Image
import jieba
from wordcloud import WordCloud
import matplotlib.p