开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> python晋江文学城小说标题爬虫+简单数据分析+词云可视化 -> 正文阅读

[人工智能]python晋江文学城小说标题爬虫+简单数据分析+词云可视化

1.简介

目标站点：晋江文学城书库
爬虫工具：BeautifulSoup
数据分析：pandas，matplotlib
词云：wordcloud，re

PS. 鉴于江湖上一直流传着jj老板抠门得很，程序员只有3个服务器也只有几台办公还在小区里面，建议爬的时候通过sleep放慢爬取速度，减少给服务器的压力。

2.爬虫

2.1 url解析

在文库首页上随便勾选几个选项试试，观察url的变化（注意【】框出的部分）：

性向：言情，按发表时间排序，只显示已完成，得到的url：
https://www.jjwxc.net/bookbase.php?fw0=0&fbsj0=0&ycx0=0&【xx1=1】&mainview0=0&sd0=0&lx0=0&fg0=0&bq=&removebq=&【sortType=3】&collectiontypes=ors&searchkeywords=&【page=0】&【isfinish=2】
性向：纯爱，按作品收藏排序，只显示无限制，跳转到第4页，得到的url：
https://www.jjwxc.net/bookbase.php?fw0=0&fbsj0=0&ycx0=0&【xx2=2】&mainview0=0&sd0=0&lx0=0&fg0=0&bq=&removebq=&【sortType=4】&【page=4】&【isfinish=0】&collectiontypes=ors&searchkeywords=

总结出来几个参数：

页数： page，从1开始（但0也是第一页）。上限为1000。
性向：言情是xx1=1、纯爱xx2=2、百合xx3=3，如果要同时选择多个性向就一起写上
排序方式：sortType，更新时间=1，作品收藏=4，发表时间=3，作品积分=2
是否完结：isfinish，无限制=0，连载中=1，已完结=2

2.2 页面元素解析

想要爬取的数据如下：
在这里插入图片描述
按F12打开开发者工具，查看页面元素，发现所有信息在一个table中（class=“cytable”），每行是一个tr，每个单元格是一个td。

2.3 登录

尝试跳转到超过10的页面时会出现要求登录的界面：
在这里插入图片描述
登录晋江账号后，按F12打开开发者工具，打开network选项卡，刷新页面，寻找到对应数据包，在headers中复制cookie，加到爬虫的请求头中。
cookie

2.4 完整代码

def main(save_path, sexual_orientation):
	"""
	save_path: 文件保存路径
    sexual_orientation: 1：言情，2：纯爱，3：百合，4：女尊，5：无CP
    """
    for page in range(1, 1001):
        url = get_url(page, sexual_orientation)
        headers = {
            'cookie': 你的cookie,
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36'}
        html = requests.get(url, headers=headers)
        html.encoding = html.apparent_encoding
        try:
            data = parse(html.content)
        except:
            print("爬取失败：", page)
            continue
        if len(data) == 0:
            break
        df = pd.DataFrame(data)
        df.to_csv(save_path, mode='a', header=False, index=False)
        print(page)
        time.sleep(3)


def get_url(page, sexual_orientation):
    url = f"https://www.jjwxc.net/bookbase.php?fw0=0&fbsj0=0&ycx1=1&xx{sexual_orientation}={sexual_orientation}&mainview0=0&sd0=0&lx0=0&fg0=0&bq=-1&" \
          f"sortType=3&isfinish=2&collectiontypes=ors&page={page}"
    return url


def parse(document):
    soup = BeautifulSoup(document, "html.parser")
    table = soup.find("table", attrs={'class': 'cytable'})
    rows = table.find_all("tr")
    data_all = []
    for row in rows[1:]:
        items = row.find_all("td")
        data = []
        for item in items:
            text = item.get_text(strip=True)
            data.append(text)
        data_all.append(data)
    return data_all

if __name__ == "__main__":
	main("言情.txt", 1)

3. 数据分析与可视化

使用pandas读取爬到的数据，如下：
在这里插入图片描述
进行简单的预处理

# 去重
df = df.drop_duplicates(subset=["author", "name"])
print("文章数量：", df.shape[0])

# 时间类型转换
df["publish_time"] = pd.to_datetime(df["publish_time"])

# 字数转换为万字
df["word"] /= 10000

# 积分转换为万
df["points"] /= 10000

3.1 柱状图

查看字数的最小值和最大值：

df["word"].min(), df["word"].max()

结果：(0.0001, 616.9603)（单位：万字），故分组时最小值设为0，最大值设为700。

# 设置数据分组的位置
bins_words = [0, 0.5, 1, 10, 20, 40, 60, 80, 100, 700]

# 2018年以前发表的小说字数分布
words_distribution1 = pd.value_counts(pd.cut(df.query("publish_time<'2018-01-01'")["word"], bins=bins_words), sort=False)
words_distribution1 /= np.sum(words_distribution1)  # 归一化

# 2018年以后发表的小说字数分布
words_distribution2 = pd.value_counts(pd.cut(df.query("publish_time>='2018-01-01'")["word"], bins=bins_words), sort=False)
words_distribution2 /= np.sum(words_distribution2)  # 归一化

# 画图
plt.figure(dpi=100)
plt.title("小说字数分布图", fontsize=15)
loc = np.array([i for i in range(len(words_distribution1.index))])
plt.bar(loc-0.15, words_distribution1.values, width=0.3, label="2018年以前")
plt.bar(loc+0.15, words_distribution2.values, width=0.3, label="2018年以后")
plt.xticks(loc, words_distribution1.index, rotation=45)
plt.xlabel("字数/万字")
plt.ylabel("比例")
plt.legend()

在这里插入图片描述

3.2 饼图

类型统计。
大部分类型的格式为“原创-纯爱-架空历史-仙侠”，可以以“-”为间隔进行分割，取第三个标签。
然而还有少量作品的类型格式为“随笔”/“评论”/“未知”，直接访问下标为2的元素会报错，因此加入一个if语句进行处理。

# 类型统计
tags = df["type"].apply(lambda x: x.split("-")[2] if len(x.split("-"))==4 else x)
tag_count = pd.value_counts(tags)

# 合并数量过少的类别
tag_count["其他"] = tag_count["未知"] + tag_count["随笔"] + tag_count["评论"] + tag_count["诗歌"] + tag_count[""]
tag_count = tag_count.drop(["未知","随笔","评论","诗歌", ""])

风格统计

# 风格统计
manner_count = pd.value_counts(df["manner"])

# 合并数量过少的类别
manner_count["其他"] = manner_count["暗黑"] + manner_count["爆笑"] + manner_count["未知"]
manner_count = manner_count.drop(["暗黑", "爆笑", "未知"])

画图

fig, axes = plt.subplots(1, 2, figsize=(10,5), dpi=100)
fig.subplots_adjust(wspace=0.05)
axes[0].pie(tag_count,
        labels=tag_count.index,
        autopct='%1.2f%%',
        pctdistance=0.7,
        colors=[plt.cm.Set3(i) for i in range(len(tag_count))],
        textprops={'fontsize':10},
        wedgeprops={'linewidth': 1, 'edgecolor': "black"}
       )
axes[0].set_title("类型", fontsize=15)

axes[1].pie(manner_count,
        labels=manner_count.index,
        autopct='%1.2f%%',
        pctdistance=0.7,
        colors=[plt.cm.Accent(i) for i in range(len(manner_count))],
        textprops={'fontsize':10},
        wedgeprops={'linewidth': 1, 'edgecolor': "black"}
       )
axes[1].set_title("风格", fontsize=15)

4. 小说标题词云

from wordcloud import WordCloud
import jieba
import pandas as pd
import matplotlib.pyplot as plt
import re

4.1 分词

要点：
- 使用jieba分词库对每个标题进行分词（使用DataFrame的矢量化操作，加快处理速度）
- 原始标题中含有较多符号（如（上）、[ABO]、被河蟹后变成的*号）和英文字符，可以使用正则表达式进行去除。
  去除前 vs 去除后：

代码：

# 增加自定义词
jieba.add_word("快穿")
# 对每个标题进行分词，以英文逗号为间隔
words_arr = df["name"].apply(lambda x: ",".join(jieba.cut(x))).values
# 将分词结果连起来
text = ",".join(words_arr)
# 用正则表达式过滤不是中文或者逗号的字符（例如括号、星号）
reg = "[^\u4e00-\u9fa5,]"
text = re.sub(reg, '', text)

4.2 词频统计

要点
- 使用DataFrame进行词频统计
- 发现高频词汇中有空字符串（正则去除符号时的产物）和大量单字，对于数据分析来说无意义，因此需要进行去除。
去除前去除后

代码

# 词频统计
words_list = text.split(",")
df_freq = pd.DataFrame(pd.value_counts(words_list), columns=["频数"])
df_freq.index.name="词汇"
# 去除单字
stop_words = df_freq[df_freq.index.str.len()<=1].index.tolist()
df_freq = df_freq[df_freq.index.str.len()>1]
# 热门词汇可视化
plt.figure(figsize=(15, 5))
x = [i for i in range(20)]
y = df_freq.iloc[:20].values.flatten()
labels = df_freq.index[:20]
plt.bar(x, y, color='steelblue', width=0.5)
plt.xticks(ticks=x, labels=labels, fontsize=15, rotation=45)
plt.title("晋江文学城小说标题Top20热门词汇", fontsize=15)

晋江文学城言情小说标题Top20热门词汇

4.3 词云可视化

要点
- 蒙版：这里使用一张8bit灰度模式的晋江文学城logo作为蒙版。本质是一个二维矩阵，需要显示的部分值为0，不需要显示的部分值为1。使用其他图片（如RGB格式）可根据此规则自行转化。
- 停用词：将词频统计中去除的单字作为停用词。

代码

# 生成蒙版
mask = plt.imread(r"D:\2021研一上\地理信息可视化\数据\logo.bmp")
wordcloud = WordCloud(font_path=r"C:\Windows\Fonts\simhei.ttf",
                      stopwords=stop_words, 
                      width=800, height=600,
                      mask=mask,
                      max_font_size=150,
                      mode='RGBA', background_color=None).generate(text)
fig = plt.figure(figsize=(10, 10))
ax = fig.add_subplot(111)
ax.axis("off")
ax.imshow(wordcloud, interpolation='bilinear')
plt.tight_layout(pad=4.5)
fig.savefig("wordcloud.png")