最近一直忙着写材料，没给大家写作业的案例，第二期同学很厉害，都是抢着要作业做，哈哈，今天我就给大家写点爬虫的扩展和数据分析，让厉害的同学学起来。
代码
这次除了爬取老师的作业布置的字段外，还爬取了用户的一些信息，如图所示。
之前的作业亮同学已经详细讲解了，我今天就贴下我的代码：
import requests
from lxml import etree
import pymongo
import time
client = pymongo.MongoClient('localhost', 27017)
qiushi = client['qiushi']
qiushi_info = qiushi['qiushi_info']
user_info = qiushi['user_info']
header = {
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36'
}
def get_info(url):
html = requests.get(url,headers=header)
selector = etree.HTML(html.text)
infos = selector.xpath('//div[@class="col1"]/div')
base_url = 'https://www.qiushibaike.com'
for info in infos:
id = info.xpath('div[1]/a[2]/h2/text()')[0] if len(info.xpath('div[1]/a[2]/h2/text()'))==1 else '匿名用户'
jug_sex = info.xpath('div[1]/div/@class')
if len(jug_sex)==0:
sex = '不详'
age = '不详'
elif jug_sex[0]=='articleGender manIcon':
sex = '男'
age = info.xpath('div[1]/div/text()')[0]
else:
sex = '女'
age = info.xpath('div[1]/div/text()')[0]
content = info.xpath('a[1]/div/span[1]/text()')[0]
laugh = info.xpath('div[2]/span[1]/i/text()')[0]
comment = info.xpath('div[2]/span[2]/a/i/text()')[0] if info.xpath('div[2]/span[2]/a/i/text()') else None
user_url = base_url + info.xpath('div[1]/a[2]/@href')[0] if info.xpath('div[1]/a[2]/@href') else None
data ={
'id':id,
'sex':sex,
'age':age,
'laugh':laugh,
'comment':comment,
'user_url':user_url,
'content':content
}
qiushi_info.insert_one(data)
if user_url == None:
pass
else:
get_user_info(user_url)
time.sleep(1)
def get_user_info(url):
html = requests.get(url,headers=header)
selector = etree.HTML(html.text)
if selector.xpath('//div[@class="user-block user-setting clearfix"]'):
pass
else:
fans = selector.xpath('//div[2]/div[3]/div[1]/ul/li[1]/text()')[0] if selector.xpath('//div[2]/div[3]/div[1]/ul/li[1]/text()') else None
topic = selector.xpath('//div[2]/div[3]/div[1]/ul/li[2]/text()')[0] if selector.xpath('//div[2]/div[3]/div[1]/ul/li[2]/text()') else None
qiushi = selector.xpath('//div[2]/div[3]/div[1]/ul/li[3]/text()')[0] if selector.xpath('//div[2]/div[3]/div[1]/ul/li[3]/text()') else None
comment_1 = selector.xpath('//div[2]/div[3]/div[1]/ul/li[4]/text()')[0] if selector.xpath('//div[2]/div[3]/div[1]/ul/li[4]/text()') else None
favour = selector.xpath('//div[2]/div[3]/div[1]/ul/li[5]/text()')[0] if selector.xpath('//div[2]/div[3]/div[1]/ul/li[5]/text()') else None
handpick = selector.xpath('//div[2]/div[3]/div[1]/ul/li[6]/text()')[0] if selector.xpath('//div[2]/div[3]/div[1]/ul/li[6]/text()') else None
martial_status = selector.xpath('//div[2]/div[3]/div[2]/ul/li[1]/text()')[0] if selector.xpath('//div[2]/div[3]/div[2]/ul/li[1]/text()') else '不详'
constellation = selector.xpath('//div[2]/div[3]/div[2]/ul/li[2]/text()')[0] if selector.xpath('//div[2]/div[3]/div[2]/ul/li[2]/text()') else '不详'
profession = selector.xpath('//div[2]/div[3]/div[2]/ul/li[3]/text()')[0] if selector.xpath('//div[2]/div[3]/div[2]/ul/li[3]/text()') else '不详'
home = selector.xpath('//div[2]/div[3]/div[2]/ul/li[4]/text()')[0] if selector.xpath('//div[2]/div[3]/div[2]/ul/li[4]/text()') else '不详'
qiushi_age = selector.xpath('//div[2]/div[3]/div[2]/ul/li[5]/text()')[0] if selector.xpath('//div[2]/div[3]/div[2]/ul/li[5]/text()') else '不详'
# print(fans,topic,qiushi,comment_1,favour,handpick,martial_status,constellation,profession,home,qiushi_age)
data ={
'fans':fans,
'topic':topic,
'qiushi':qiushi,
'comment_1':comment_1,
'favour':favour,
'handpick':handpick,
'martial_status':martial_status,
'constellation':constellation,
'profession':profession,
'home':home,
'qiushi_age':qiushi_age,
'user_url':url
}
user_info.insert_one(data)
if __name__ == '__main__':
urls = ['https://www.qiushibaike.com/text/page/{}/'.format(str(i)) for i in range(1,36)]
for url in urls:
get_info(url)
数据存储到mongodb数据库中，如图：
数据预处理
- 首先，导入库和数据：
import pandas as pd
import pymongo
import jieba.analyse
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
client = pymongo.MongoClient('localhost',port = 27017)
qiushi = client['qiushi']
qiushi_info = qiushi['qiushi_info']
data = pd.DataFrame(list(qiushi_info.find()))
data
- 字段类型转化
由于有些字段没有，填充了“不详”或None，所以age，comment字段都是文本类型的，需转化为整形，但有None这些东西没法转，需要把这些内容替换为“0”才能转，以下就是转化代码。（怎么就管不住我这双手呢，填空值可以直接转化，而且填充缺失值也很简单）
data['age'].replace('不详','0',inplace=True)
data['comment'].replace([None],'0',inplace=True)
data['age'] = data['age'].astype('int64')
data['comment'] = data['comment'].astype('int64')
data['laugh'] = data['laugh'].astype('int64')
data.dtypes
- 填补缺失值
我把一些值都替换成了0，我们通过列的平均值进行填充即可。
data['age'].replace(0,int(data[data['age']!=0]['age'].mean()),inplace=True)
data['comment'].replace(0,int(data[data['comment']!=0]['comment'].mean()),inplace=True)
玩糗事的人年龄
通过describe看下：
data.describe()
可以看出平均年龄为34，话说不是我们才是段子手的主力军么，我回头看了下数据，有很多人填写的年龄为100以上，为虚假信息，由于数据量少，拉高了平均值，段子手是属于我们的！！！！（我不会告诉你我才17）
谁是段子手
通过排序，找出前十评论和前十好笑的段子的用户，看看谁才是真正的段子手。
data1 = data.sort_values(['comment'],ascending=False)[0:10]
plt.figure(figsize=(20,10),dpi=80)
lables=list(data1['id'])
plt.bar(range(len(lables)),data1['comment'],tick_label=lables)
data2 = data.sort_values(['laugh'],ascending=False)[0:10]
plt.figure(figsize=(20,10),dpi=80)
lables=list(data1['id'])
plt.bar(range(len(lables)),data1['laugh'],tick_label=lables)
段子手性别比例
看下段子手男女比例：
plt.figure(figsize=(8,6),dpi=80)
labels = list(data3.index)
sizes = list(data3)
colors = ['red','yellowgreen','lightskyblue']
explode = (0.05,0,0)
patches,l_text,p_text = plt.pie(sizes,explode=explode,labels=labels,colors=colors,
labeldistance = 1.1,autopct = '%3.1f%%',shadow = False,
startangle = 90,pctdistance = 0.6)
plt.axis('equal')
plt.legend()
男生比较多，哈哈，污污的女生最可爱！！！
段子词云
词云制作讲过很多次了，放上代码和图。
duanzi = '' #初始化字符串
for i in range(360): #数字为数据的行数
index = data.ix[i,:] #取每行
content = index['content'] #取每行的question
duanzi = duanzi + content
jieba.analyse.set_stop_words('停用词表路径')
tags = jieba.analyse.extract_tags(duanzi, topK=50, withWeight=True)
for item in tags:
print(item[0]+'\t'+str(int(item[1]*1000)))
段子嘛，无非是男生聊女生，女生聊男生。
总结
放假了，作业写完的同学，数据分析来一波，还有用户的详细信息没分析，我们下次分析咯！！端午快乐。
