Doctor | 作者
知乎 | 來源
https://zhuanlan.zhihu.com/p/27604277
對程式設計沒有興趣的朋友可以直接看後面的資料分析結果。
- 開發環境:win7下的python3.5、MySQL5.7
- 編輯器:pycharm2017.1、ipython,Navicat for mysql
- 需要的python第三方庫:selenium、PIL、Requests、MySQLdb、csv、pandas、numpy、matplotlib、jieba、wordcloud另外還用到了無頭浏覽器PhantomJS。
主要思路:
- 通過selenium+phantomjs模拟登入qq空間取到cookies和g_qzonetoken,并算出gtk
- 通過Requests庫利用前面得到的url參數,構造http請求
- 分析請求得到的響應,是一個json,利用正規表達式提取字段
- 設計資料表,并将提取到的字段插入到資料庫中
- 通過qq郵箱中的導出聯系人功能,把好友的qq号導出到一個csv檔案,周遊所有的qq号爬取所有的說說
- 通過sql查詢和ipython分析資料,并将資料可視化
- 通過python的第三方庫jieba、wordcloud基于說說的内容做一個詞雲
閑話不多說,直接上代碼。
通過selenium+phantomjs模拟登入qq空間取到cookies和g_qzonetoken,并算出gtk
import re
from selenium import webdriver
from time import sleep
from PIL import Image
#定義登入函數
def QR_login():
def getGTK(cookie):
""" 根據cookie得到GTK """
hashes = 5381
for letter in cookie['p_skey']:
hashes += (hashes << 5) + ord(letter)
return hashes & 0x7fffffff
browser=webdriver.PhantomJS(executable_path="D:\phantomjs.exe")#這裡要輸入你的phantomjs所在的路徑
url="https://qzone.qq.com/"#QQ登入網址
browser.get(url)
browser.maximize_window()#全屏
sleep(3)#等三秒
browser.get_screenshot_as_file('QR.png')#截屏并儲存圖檔
im = Image.open('QR.png')#打開圖檔
im.show()#用手機掃二維碼登入qq空間
sleep(20)#等二十秒,可根據自己的網速和性能修改
print(browser.title)#列印網頁标題
cookie = {}#初始化cookie字典
for elem in browser.get_cookies():#取cookies
cookie[elem['name']] = elem['value']
print('Get the cookie of QQlogin successfully!(共%d個鍵值對)' % (len(cookie)))
html = browser.page_source#儲存網頁源碼
g_qzonetoken=re.search(r'window\.g_qzonetoken = \(function\(\)\{ try\{return (.*?);\} catch\(e\)',html)#從網頁源碼中提取g_qzonetoken
gtk=getGTK(cookie)#通過getGTK函數計算gtk
browser.quit()
return (cookie,gtk,g_qzonetoken.group(1))
if __name__=="__main__":
QR_login()
通過Requests庫利用前面得到的url參數,構造http請求:
通過抓包分析可以找到上圖這個請求,這個請求響應的是說說資訊 。
通過火狐浏覽器的一個叫json-dataview的插件可以看到這個響應是一個json格式的,開心!
然後就是用正規表達式提取字段了,這個沒什麼意思,直接看我的代碼吧:
def parse_mood(i):
'''從傳回的json中,提取我們想要的字段'''
text = re.sub('"commentlist":.*?"conlist":', '', i)
if text:
myMood = {}
myMood["isTransfered"] = False
tid = re.findall('"t1_termtype":.*?"tid":"(.*?)"', text)[0] # 擷取說說ID
tid = qq + '_' + tid
myMood['id'] = tid
myMood['pos_y'] = 0
myMood['pos_x'] = 0
mood_cont = re.findall('\],"content":"(.*?)"', text)
if re.findall('},"name":"(.*?)",', text):
name = re.findall('},"name":"(.*?)",', text)[0]
myMood['name'] = name
if len(mood_cont) == 2: # 如果長度為2則判斷為屬于轉載
myMood["Mood_cont"] = "評語:" + mood_cont[0] + "--------->轉載内容:" + mood_cont[1] # 說說内容
myMood["isTransfered"] = True
elif len(mood_cont) == 1:
myMood["Mood_cont"] = mood_cont[0]
else:
myMood["Mood_cont"] = ""
if re.findall('"created_time":(\d+)', text):
created_time = re.findall('"created_time":(\d+)', text)[0]
temp_pubTime = datetime.datetime.fromtimestamp(int(created_time))
temp_pubTime = temp_pubTime.strftime("%Y-%m-%d %H:%M:%S")
dt = temp_pubTime.split(' ')
time = dt[1]
myMood['time'] = time
date = dt[0]
myMood['date'] = date
if re.findall('"source_name":"(.*?)"', text):
source_name = re.findall('"source_name":"(.*?)"', text)[0] # 擷取發表的工具(如某手機)
myMood['tool'] = source_name
if re.findall('"pos_x":"(.*?)"', text):#擷取經緯度坐标
pos_x = re.findall('"pos_x":"(.*?)"', text)[0]
pos_y = re.findall('"pos_y":"(.*?)"', text)[0]
if pos_x:
myMood['pos_x'] = pos_x
if pos_y:
myMood['pos_y'] = pos_y
idname = re.findall('"idname":"(.*?)"', text)[0]
myMood['idneme'] = idname
cmtnum = re.findall('"cmtnum":(.*?),', text)[0]
myMood['cmtnum'] = cmtnum
return myMood#傳回一個字典
我們想要的東西已經提取出來了,接下來需要設計資料表,通過navicat可以很友善的建表,然後通過python連接配接mysql資料庫,寫入資料。這是建立資料表的sql代碼:
CREATE TABLE `mood` (
`name` varchar(80) DEFAULT NULL,
`date` date DEFAULT NULL,
`content` text,
`comments_num` int(11) DEFAULT NULL,
`time` time DEFAULT NULL,
`tool` varchar(255) DEFAULT NULL,
`id` varchar(255) NOT NULL,
`sitename` varchar(255) DEFAULT NULL,
`pox_x` varchar(30) DEFAULT NULL,
`pox_y` varchar(30) DEFAULT NULL,
`isTransfered` double DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;
其實到這裡爬蟲的主要的代碼就算完了,之後主要是通過QQ郵箱的聯系人導出功能,建構url清單,最後等着它運作完成就可以了。
這裡我單線程爬200多個好友用了大約三個小時,拿到了十萬條說說。下面是爬蟲的主體代碼:
#從csv檔案中取qq号,并儲存在一個清單中
csv_reader = csv.reader(open('qq.csv'))
friend=[]
for row in csv_reader:
friend.append(row[3])
friend.pop(0)
friends=[]
for f in friend:
f=f[:-7]
friends.append(f)
headers={
'Host': 'h5.qzone.qq.com',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0',
'Accept': '*/*',
'Accept-Language':'zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3',
'Accept-Encoding': 'gzip, deflate, br',
'Referer': 'https://user.qzone.qq.com/790178228?_t_=0.22746974226377736',
'Connection':'keep-alive'
}#僞造浏覽器頭
conn = MySQLdb.connect('localhost', 'root', '123456', 'qq_mood', charset="utf8", use_unicode=True)#連接配接mysql資料庫
cursor = conn.cursor()#定義遊标
cookie,gtk,qzonetoken=QRlogin#通過登入函數取得cookies,gtk,qzonetoken
s=requests.session()#用requests初始化會話
for qq in friends:#周遊qq号清單
for p in range(0,1000):
pos=p*20
params={
'uin':qq,
'ftype':'0',
'sort':'0',
'pos':pos,
'num':'20',
'replynum':'100',
'g_tk':gtk,
'callback':'_preloadCallback',
'code_version':'1',
'format':'jsonp',
'need_private_comment':'1',
'qzonetoken':qzonetoken
}
response=s.request('GET','https://h5.qzone.qq.com/proxy/domain/taotao.qq.com/cgi-bin/emotion_cgi_msglist_v6',params=params,headers=headers,cookies=cookie)
print(response.status_code)#通過列印狀态碼判斷是否請求成功
text=response.text#讀取響應内容
if not re.search('lbs', text):#通過lbs判斷此qq的說說是否爬取完畢
print('%s說說下載下傳完成'% qq)
break
textlist = re.split('\{"certified"', text)[1:]
for i in textlist:
myMood=parse_mood(i)
'''将提取的字段值插入mysql資料庫,通過用異常處理防止個别的小bug中斷爬蟲,開始的時候可以先不用異常處理判斷是否能正常插入資料庫'''
try:
insert_sql = '''
insert into mood(id,content,time,sitename,pox_x,pox_y,tool,comments_num,date,isTransfered,name)
VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)
'''
cursor.execute(insert_sql, (myMood['id'],myMood["Mood_cont"],myMood['time'],myMood['idneme'],myMood['pos_x'],myMood['pos_y'],myMood['tool'],myMood['cmtnum'],myMood['date'],myMood["isTransfered"],myMood['name']))
conn.commit()
except:
pass
print('說說全部下載下傳完成!')
下面是爬取的資料,有100878條!
拿到資料後,我先用sql進行聚合分析,然後通過ipython作圖,将資料可視化。
統計一年之中每天的說說數目,可以發現每年除夕這一天是大家發說說最多的一天(統計了2013到2017年)
通過兩個輔助表,可以看到分年,分月,分小時段統計的說說數目,下面是代碼和資料圖:
其餘的幾個圖代碼都是類似的,我就不重複發了。(其實主要是cmd裡面複制代碼太不友善了,建議大家用ipython notebook)
額,可以看出2014年9月達到了一個高峰,主要是因為我的朋友大都是是2014年九月大學入學的,之後開始下降,這可能是好多人開始玩微信,逐漸放棄了QQ,通過下面這個年變化圖可以更直覺的看出:
通過這個每小時段說說發表的數目柱形圖,可以發現大家在晚上22點到23點左右是最多的,另外中午十二點到一點也有一個小高峰
tool發表說說用的工具這個字段的資料比較髒,因為發表工具可以由使用者自定義。最後我用Excel的内容篩選功能,做了一個手機類型的餅圖:
通過這個餅圖可以看出使用最多的手機是蘋果,小米,魅族,華為這四個手機品牌。(這個結果有很大的因素是因為我的好友大多數學生黨,偏向于成本效益高的手機)
還有一個比較好玩的就是把經緯度資訊導出來,通過智圖位置智能平台可以生成一個地圖,這個地圖的效果還是非常好的(2000條資料免費,本來有位置資訊的說說有3500條,剔除了國外的坐标後我從中随機選了2000條)
因為涉及到個人隐私問題,這個地圖的連結就不分享了。
最後,通過将mood表中的content字段導出為txt文本檔案,利用python的jieba和wordcloud這兩個第三方庫,可以生成基于說說内容的詞雲。下面是代碼:
#coding:utf-8
import matplotlib.pyplot as plt
from wordcloud import WordCloud,ImageColorGenerator,STOPWORDS
import jieba
import numpy as np
from PIL import Image
#讀入背景圖檔
abel_mask = np.array(Image.open("qq.jpg"))
#讀取要生成詞雲的檔案
text_from_file_with_apath = open('mood.txt',encoding='utf-8').read()
#通過jieba分詞進行分詞并通過空格分隔
wordlist_after_jieba = jieba.cut(text_from_file_with_apath, cut_all = True)
stopwords = {'轉載','内容','em','評語','uin','nick'}
seg_list = [i for i in wordlist_after_jieba if i not in stopwords]
wl_space_split = " ".join(seg_list)
#my_wordcloud = WordCloud().generate(wl_space_split) 預設構造函數
my_wordcloud = WordCloud(
background_color='black', # 設定背景顔色
mask = abel_mask, # 設定背景圖檔
max_words = 250, # 設定最大現實的字數
stopwords = STOPWORDS, # 設定停用詞
font_path = 'C:/Windows/fonts/simkai.ttf',# 設定字型格式,如不設定顯示不了中文
max_font_size = 42, # 設定字型最大值
random_state = 40, # 設定有多少種随機生成狀态,即有多少種配色方案
scale=1.5,
mode='RGBA',
relative_scaling=0.6
).generate(wl_space_split)
# 根據圖檔生成詞雲顔色
#image_colors = ImageColorGenerator(abel_mask)
#my_wordcloud.recolor(color_func=image_colors)
# 以下代碼顯示圖檔
plt.imshow(my_wordcloud)
plt.axis("off")
plt.show()
my_wordcloud.to_file("cloud.jpg")
下面是效果圖:
不會ps,做的不是很美觀...
對于這個小demo,我總結了一以下的幾個問題:
- 爬蟲沒有采用多線程和異步IO導緻效率太低。(主要是twisted這個庫不太懂,後面我可能會結合scapy這個架構,重寫這個爬蟲,利用他的twisted子產品加上異步IO的功能)
- 對于python中的關于繪圖的,和資料分析的這幾個庫了解的不好,導緻資料可視化這塊做的不好。
- END -
本文為轉載分享&推薦閱讀,若侵權請聯系背景删除