Python数据可视化：Python大佬有哪些？
之前讲了代理池以及Cookies的相关知识，这里针对搜狗搜索微信公众号文章的爬取，将它俩实践一下。
在崔大的书里面，他是用代理IP来应对搜狗的反爬措施，因为同一IP访问网页过于频繁，就会跳转验证码页面。
不过时代在进步，搜狗搜索的反爬也在更新，现在它是IP加Cookies双重把关。
/ 01 / 网页分析
获取微信公众号文章信息，标题、开头、公众号、发布时间。
请求方式为GET，请求网址为红框部分，后面的信息没什么用。
/ 02 / 反爬破解
什么时候出现上图这种情况呢？
两种，一种同一个IP重复访问页面，另一种同一个Cookies重复访问页面。
两个都有，挂的更快！完整爬取我只成功了一次...
因为我最开始就是先什么都不设置，然后就出现验证码页面。然后用了代理IP，还是会跳转验证码页面，直到最后改变Cookies，才成功爬取。
01 代理IP设置
def get_proxies(i):
"""
获取代理IP
"""
df = pd.read_csv('sg_effective_ip.csv', header=None, names=["proxy_type", "proxy_url"])
proxy_type = ["{}".format(i) for i in np.array(df['proxy_type'])]
proxy_url = ["{}".format(i) for i in np.array(df['proxy_url'])]
proxies = {proxy_type[i]: proxy_url[i]}
return proxies
代理的获取以及使用这里就不赘述了，前面的文章有提到，有兴趣的小伙伴可以自行去看看。
经过我两天的实践，免费IP确实没什么用，两下子就把我真实IP揪出来了。
02 Cookies设置
def get_cookies_snuid():
"""
获取SNUID值
"""
time.sleep(float(random.randint(2, 5)))
url = "http://weixin.sogou.com/weixin?type=2&s_from=input&query=python&ie=utf8&_sug_=n&_sug_type_="
headers = {"Cookie": "ABTEST=你的参数;IPLOC=CN3301;SUID=你的参数;SUIR=你的参数"}
# HEAD请求,请求资源的首部
response = requests.head(url, headers=headers).headers
result = re.findall('SNUID=(.*?); expires', response['Set-Cookie'])
SNUID = result[0]
return SNUID
总的来说，Cookies的设置是整个反爬中最重要的，而其中的关键便是动态改变SNUID值。
这里就不详细说其中缘由，毕竟我也是在网上看大神的帖子才领悟到的，而且领悟的还很浅。
成功爬取100页就只有一次，75页，50页，甚至到最后一爬就挂的情况都出现了...
我可不想身陷「爬-反爬-反反爬」的泥潭之中，爬虫之后的事情才是我的真正目的，比如数据分析，数据可视化。
所以干票大的赶紧溜，只能膜拜搜狗工程师。
/ 03 / 数据获取
01 构造请求头
head = """
Accept:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
Accept-Encoding:gzip, deflate
Accept-Language:zh-CN,zh;q=0.9
Connection:keep-alive
Host:weixin.sogou.com
Referer:'http://weixin.sogou.com/',
Upgrade-Insecure-Requests:1
User-Agent:Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36
"""
# 不包含SNUID值
cookie = '你的Cookies'
def str_to_dict(header):
"""
构造请求头,可以在不同函数里构造不同的请求头
"""
header_dict = {}
header = header.split('\n')
for h in header:
h = h.strip()
if h:
k, v = h.split(':', 1)
header_dict[k] = v.strip()
return header_dict
02 获取网页信息
def get_message():
"""
获取网页相关信息
"""
failed_list = []
for i in range(1, 101):
print('第' + str(i) + '页')
print(float(random.randint(15, 20)))
# 设置延时,这里是度娘查到的,说要设置15s延迟以上,不会被封
time.sleep(float(random.randint(15, 20)))
# 每10页换一次SNUID值
if (i-1) % 10 == 0:
value = get_cookies_snuid()
snuid = 'SNUID=' + value + ';'
# 设置Cookies
cookies = cookie + snuid
url = 'http://weixin.sogou.com/weixin?query=python&type=2&page=' + str(i) + '&ie=utf8'
host = cookies + '\n'
header = head + host
headers = str_to_dict(header)
# 设置代理IP
proxies = get_proxies(i)
try:
response = requests.get(url=url, headers=headers, proxies=proxies)
html = response.text
soup = BeautifulSoup(html, 'html.parser')
data = soup.find_all('ul', {'class': 'news-list'})
lis = data[0].find_all('li')
for j in (range(len(lis))):
h3 = lis[j].find_all('h3')
#print(h3[0].get_text().replace('\n', ''))
title = h3[0].get_text().replace('\n', '').replace(',', '，')
p = lis[j].find_all('p')
#print(p[0].get_text())
article = p[0].get_text().replace(',', '，')
a = lis[j].find_all('a', {'class': 'account'})
#print(a[0].get_text())
name = a[0].get_text()
span = lis[j].find_all('span', {'class': 's2'})
cmp = re.findall("\d{10}", span[0].get_text())
#print(time.strftime("%Y-%m-%d", time.localtime(int(cmp[0]))) + '\n')
date = time.strftime("%Y-%m-%d", time.localtime(int(cmp[0])))
with open('sg_articles.csv', 'a+', encoding='utf-8-sig') as f:
f.write(title + ',' + article + ',' + name + ',' + date + '\n')
print('第' + str(i) + '页成功')
except Exception as e:
print('第' + str(i) + '页失败')
failed_list.append(i)
continue
# 获取失败页码
print(failed_list)
def main():
get_message()
if __name__ == '__main__':
main()
最后成功获取数据。
/ 04 / 数据可视化
01 微信文章发布数量TOP10
这里对搜索过来的微信文章进行排序，发现了这十位Python大佬。
这里其实特想知道他们是团队运营，还是个人运营。不过不管了，先关注去。
这个结果可能也与我用Python这个关键词去搜索有关，一看公众号名字都是带有Python的(CSDN例外)。
from pyecharts import Bar
import pandas as pd
df = pd.read_csv('sg_articles.csv', header=None, names=["title", "article", "name", "date"])
list1 = []
for j in df['date']:
# 获取文章发布年份
time = j.split('-')[0]
list1.append(time)
df['year'] = list1
# 选取发布时间为2018年的文章，并对其统计
df = df.loc[df['year'] == '2018']
place_message = df.groupby(['name'])
place_com = place_message['name'].agg(['count'])
place_com.reset_index(inplace=True)
place_com_last = place_com.sort_index()
dom = place_com_last.sort_values('count', ascending=False)[0:10]
attr = dom['name']
v1 = dom['count']
bar = Bar("微信文章发布数量TOP10", title_pos='center', title_top='18', width=800, height=400)
bar.add("", attr, v1, is_convert=True, xaxis_min=10, yaxis_rotate=30, yaxis_label_textsize=10, is_yaxis_boundarygap=True, yaxis_interval=0, is_label_show=True, is_legend_show=False, label_pos='right', is_yaxis_inverse=True, is_splitline_show=False)
bar.render("微信文章发布数量TOP10.html")
02 微信文章发布时间分布
因为这里发现搜索到的文章会有2018年以前的，这里予以删除，并且验证剩下文章的发布时间。
毕竟信息讲究时效性，如果我搜索获取的都是老掉牙的信息，就没什么意思了，更何况还是在一直在变化的互联网行业。
import numpy as np
import pandas as pd
from pyecharts import Bar
df = pd.read_csv('sg_articles.csv', header=None, names=["title", "article", "name", "date"])
list1 = []
list2 = []
for j in df['date']:
# 获取文章发布年份及月份
time_1 = j.split('-')[0]
time_2 = j.split('-')[1]
list1.append(time_1)
list2.append(time_2)
df['year'] = list1
df['month'] = list2
# 选取发布时间为2018年的文章，并对其进行月份统计
df = df.loc[df['year'] == '2018']
month_message = df.groupby(['month'])
month_com = month_message['month'].agg(['count'])
month_com.reset_index(inplace=True)
month_com_last = month_com.sort_index()
attr = ["{}".format(str(i) + '月') for i in range(1, 12)]
v1 = np.array(month_com_last['count'])
v1 = ["{}".format(int(i)) for i in v1]
bar = Bar("微信文章发布时间分布", title_pos='center', title_top='18', width=800, height=400)
bar.add("", attr, v1, is_stack=True, is_label_show=True)
bar.render("微信文章发布时间分布.html")
03 标题、文章开头词云
from wordcloud import WordCloud, ImageColorGenerator
import matplotlib.pyplot as plt
import pandas as pd
import jieba
df = pd.read_csv('sg_articles.csv', header=None, names=["title", "article", "name", "date"])
text = ''
# for line in df['article'].astype(str):(前文词云代码)
for line in df['title']:
text += ' '.join(jieba.cut(line, cut_all=False))
backgroud_Image = plt.imread('python_logo.jpg')
wc = WordCloud(
background_color='white',
mask=backgroud_Image,
font_path='C:\Windows\Fonts\STZHONGS.TTF',
max_words=2000,
max_font_size=150,
random_state=30
)
wc.generate_from_text(text)
img_colors = ImageColorGenerator(backgroud_Image)
wc.recolor(color_func=img_colors)
plt.imshow(wc)
plt.axis('off')
# wc.to_file("文章.jpg")(前文词云代码)
wc.to_file("标题.jpg")
print('生成词云成功!')
公众号文章标题词云，因为是以Python这个关键词去搜索的，那么必然少不了Python。
然后词云里出现的的爬虫，数据分析，机器学习，人工智能。就便知道Python目前的主要用途啦！
不过Python还可用于Web开发，GUI开发等，这里没有体现，显然不是主流。
公众号文章开头词云，记得以前写作文的时候，老师不就说过开头基本决定了你的分数，所以一定要开头引用一下名人的话(古人有云...)。
那么公众号文章应该也不例外，不过这里呢，我倒是感觉到了不少广告的气息...
当然数据分析，机器学习，人工智能同样也还在其中，是不是培训广告的噱头我就不知道了。
就像之前在一个公号里看到的一句话，仿佛学会了Python就会人工智能，又仿佛要学习人工智能就必须学习Python，那么真是这样吗？？？
相信答案就在大家心中！
文末点个赞，比心！！！
推荐阅读
··· END ···