爬虫篇|动态爬取QQ说说并生成词云，分析朋友状况

发布于

今天我们要做的事情是使用动态爬虫来爬取QQ空间的说说，并把这些内容存在txt中，然后读取出来生成云图，这样可以清晰的看出朋友的状况。

这是好友的QQ空间10年说说内容，基本有一个大致的印象了。

爬取动态内容

  1. 因为动态页面的内容是动态加载出来的，所以我们需要不断下滑，加载页面
  2. 切换到当前内容的frame中,也有可能不是frame,这里需要查看具体情况
  3. 获取页面源数据，然后放入xpath中，然后读取
代码语言：javascript
复制
  # 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 次加载完每页数据
        for i in range(1,6):
            height = 20000*i#每次滑动20000像素
            strWord = "window.scrollBy(0,"+str(height)+")"
            driver.execute_script(strWord)
            time.sleep(4)

    # 很多时候网页由多个<frame>或<iframe>组成，webdriver默认定位的是最外层的frame，
    # 所以这里需要选中一下说说所在的frame，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 = selector.xpath('//*[@id="msgList"]/li/div[3]')

所有的注释都在代码中，所以也就不作详情说明，

昨天的模拟登录大家都应该掌握了，没有掌握的自己再去复习一下

.Python爬虫：学习Selenium并使用Selenium模拟登录知乎

爬取说说的完整代码

代码语言：javascript
复制
#coding:utf-8


import time

from selenium import webdriver

from lxml import etree


#这里一定要设置编码格式，防止后面写入文件时报错

import sys

reload(sys)

sys.setdefaultencoding( "utf-8" )


friend = 'XXX' # 朋友的QQ号，朋友的空间要求允许你能访问

user = 'XXX'  # 你的QQ号

pw = 'XXXX'  # 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账号


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()


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 次加载完每页数据
    for i in range(1,6):
        height = 20000*i#每次滑动20000像素
        strWord = "window.scrollBy(0,"+str(height)+")"
        driver.execute_script(strWord)
        time.sleep(4)

    # 很多时候网页由多个<frame>或<iframe>组成，webdriver默认定位的是最外层的frame，
    # 所以这里需要选中一下说说所在的frame，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 = selector.xpath('//*[@id="msgList"]/li/div[3]')

    #这里使用 a 表示内容可以连续不清空写入
    with open('qq_word.txt','a') as f:
        for div in divs:
            qq_name = div.xpath('./div[2]/a/text()')
            qq_content = div.xpath('./div[2]/pre/text()')
            qq_time = div.xpath('./div[4]/div[1]/span/a/text()')
            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_time,qq_content
            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要把页面下拉，所以要跳到外层的frame上
    driver.switch_to.parent_frame()

这样所有的说说内容就可以爬取到了。并且存到了同级目录中

生成词云

生成词云需要用到的库：

wordcloud, 生成词云
matplotlib， 生成词云图片
jieba ，这个库可用可不用，但我因为中文一直显示不出来，后来加上了这个库，就能显示中文了。

代码语言：javascript
复制
#coding:utf-8


"""

使用结巴分词生成云图

说明这里

1.生成词云一定要设置字体样式，否则汉字出现乱码或者不显示

2.我不知道为什么本机一直显示不了中文，后面我加了jieba分词词库就可以显示中文了


"""


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)).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,
 # 设置有多少种随机生成状态，即有多少种配色方案
   random_state=30,
)

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('word_py')

#selenium#爬虫#腾讯云图数据可视化