爬虫大作业

1.选一个自己感兴趣的主题。

2.用python 编写爬虫程序，从网络上爬取相关主题的数据。

3.对爬了的数据进行文本分析，生成词云。

4.对文本分析结果进行解释说明。

5.写一篇完整的博客，描述上述实现过程、遇到的问题及解决办法、数据分析思想及结论。

6.最后提交爬取的全部数据、爬虫及数据分析源代码。

 

我的主题：爬取腾讯体育-NBA

按F12使用开发者工具分析腾讯体育NBA新闻网站的结构，找到需要的类名字“list01”，爬取新闻标题和链接。

 

点开一条新闻链接，继续分析，找到需要的文章内容类名，然后进行分词分析。

在实现的过程中遇到过不少问题，例如字符集charset,一开始使用了utf-8，结果出现乱码，后经查看网站结构解决，本网站使用的charset是gb2312。

还有一些调用参数问题等等。还有词云的字体问题，通过查询一些通用字体格式，最终实现。

词云效果图下：

 

最后提交爬取的全部数据、爬虫及数据分析源代码：

import requests
from bs4 import BeautifulSoup
import re
import jieba
# from PIL import Image,ImageSequence
# import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud

# 将词云写入到文件
def writeFile(keynews):
    f = open('cgpword.txt', 'a', encoding='utf-8')
    for word in keynews:
        f.write(" "+word)
    f.close()

def getWordCloud():
    keywords = open('cgpword.txt', 'r', encoding='utf-8').read()
    wc = WordCloud(font_path='C:\windows/font/simkai.ttf', background_color='white',
                   max_words=150).generate(keywords).to_file("cgp1.jpg")
    plt.imshow(wc)
    plt.axis('off')
    plt.show()

#对新闻内容进行分词分析
def getnewsdetail(newsurl):
    resDescript = requests.get(newsurl)
    resDescript.encoding = "gb2312"
    soupDescript = BeautifulSoup(resDescript.text, 'html.parser')
    to = len(soupDescript.select(".text"))
    content = ''
    for p in range(0, to):
        content += soupDescript.select('.text')[p].text + '\n'
    # print(content)
    words = jieba.lcut(content)
    wcdict = {}
    keynews = []
    for i in set(words):
        wcdict[i] = words.count(i)
        delete = {'你', '我', '他', '都', '已经', '着', '不', '她', '没有', '和', '他们', '中', '下', '什么', '一', '个',
                  '道', '的', '们', '所', '在', '来', '有', '过', '从', '而', '才', '要', '因', '为', '地', '将', '上', '共', '自', '是',
                  '令', '但', '被', '就', '也', '说', '语', '呀', '啊',  '个', '人', '里', '罢', '内', '该', '与', '会', '对', '去',
                  '出', '动', '却', '超', '已', '只', '放', '这', '比', '还', '则', '见', '到', '最', '话', '加', '更', '并', '把',
                  '儿', '大', '小', '那', '很', ' ', '了', '-', '\n', '，', '。', '？', '！', '“', '”', '：', '；', '、', '.', '‘', '’'}
    for i in delete:
        if i in wcdict:
            del wcdict[i]
    sort_word = sorted(wcdict.items(), key=lambda d: d[1], reverse=True)  # 排序
    for dict in sort_word:
        keynews.append(dict[0])
    writeFile(keynews)


#获取该网站的所有新闻标题和链接
def getnewslist(newsurl):
    res = requests.get(newsurl)
    res.encoding = 'gb2312'
    soup = BeautifulSoup(res.text, 'html.parser')
    for newsList in soup.select('.list01')[0].select('li'):
        title = newsList.select('a')[0].text
        newsurl = newsList.select('a')[0]['href']
        print('\n标题：{0}\n新闻链接:{1}\n'.format(title, newsurl))
        getnewsdetail(newsurl)


url = "http://sports.qq.com/l/basket/original/qqinterview/list20150821155646.htm"
resn = requests.get(url)
resn.encoding = 'utf-8'
soupn = BeautifulSoup(resn.text,'html.parser')
getnewslist(url)


for i in range(1, 3):
    if (i == 1):
        getnewslist(url)
    else:
        newsurl = "http://sports.qq.com/l/basket/original/qqinterview/list20150821155646_{}.htm".format(i)
        getnewslist(newsurl)
getWordCloud()

 

转载于:https://www.cnblogs.com/chenguangpeng/p/8973475.html