数据采集：采集Ajax动态网站，抓取娱乐热点新闻标题并作简要分析

八卦是人的天性，我作为众多吃瓜群众中的一员，当然也不会放过娱乐圈中的每一个热点。
接下来我会抓取企鹅网的娱乐版块 https://new.qq.com/ch/ent/
看看各位娱乐小编是如何报道娱乐热点的。
具体目标如下图：（红色方框内的标题）
在这里插入图片描述

第一步就是“观察与分析”，不断下拉滚动条，右键点击查看源代码，右键点击检查，这些都是基本操作了，可以发现网站是Ajax加载，返回的数据都在Json里，如下图：
接下来就可以进行基本的抓取，代码如下（文件名为news_of_ent_v1.py)：

import requests
import json
import uagent #我自己编写的一个获取随机user-agent的脚本，可参考https://blog.csdn.net/eighttoes/article/details/82996377

url = ('https://pacaio.match.qq.com/irs/rcd?cid=146&token=49cbb2154853ef1a74ff4e5372337'
	   '2ce&ext=ent&page=3&expIds=20181129V094JT|20181129A09LA4|20181129A09DI3|h08046y2'
	   '39w|20181129A0AEFT|20181129A09L7P|20181129A0A0A3|w0804cm6v49|20181129A07WGU|201'
	   '81129V07R1F|20181129A07YTG|i0804um2sgw|20181129A03RFA|20181129V08K9U|20181129A0'
	   '752A|r0804pauuow|20181129A03M8L|20181129V05VUW|20181129A07RY8|i0804rrvezl&callb'
	   'ack=__jp9')

def get_page(url):
	headers = {'User-Agent': uagent.get_ua()}
	response = requests.get(url = url, headers = headers)
	index = response.text.index('{')
	text = response.text[index:-1] #因为返回的字符串不符合Json格式，所有需要截取
	return text

def parse(text):
	dic = json.loads(text)
	for i in dic['data']:
		title = i['title']
		print(title)

if __name__ == '__main__':
	text = get_page(url)
	parse(text)

在这里插入图片描述

第三步可以开始考虑如何进行多页的数据抓取，一般来说可以观察多个url之间的规律，

url参数有变化的分别是page，expIds，callback。
page和callback都很好理解，就是一个递增的数字，至于expIds，这么一大串的东西是什么呢，我从刚刚抓取的Json数据里找到了线索，其中id字段就组成下一页url的关键信息。
在这里插入图片描述

那么接下来就可以开始编辑代码了，如下所示（文件名为news_of_ent_v2.py)：

import requests
import json
import uagent #我自己编写的一个获取随机user-agent的脚本，可参考https://blog.csdn.net/eighttoes/article/details/82996377

def get_page(n, expIds): #page从1开始，callback = page + 6
	base_url = 'https://pacaio.match.qq.com/irs/rcd'
	payload = {
		'cid': '146',
		'token': '49cbb2154853ef1a74ff4e53723372ce',
		'ext': 'ent',
		'page': str(n),
		'expIds': expIds,
		'callback': '__jp' + str(n + 6)
	}
	headers = {'User-Agent': uagent.get_ua()}
	response = requests.get(url = base_url, params = payload, headers = headers)
	index = response.text.index('{')
	text = response.text[index:-1] #因为返回的字符串不符合Json格式，所有需要截取
	return text

def parse_title(text):
	dic = json.loads(text)
	for i in dic['data']:
		title = i['title']
		print(title)

def parse_id(text):
	dic = json.loads(text)
	expIds = ''
	for i in dic['data']:
		expIds += i['id']
		expIds += '|'
	return expIds[:-1]



if __name__ == '__main__':
	expIds = ('20181129001615|20181129A0JFDT|20181128A0Z1JV|l0804gy5rsa|20181129A0K'
		      'LSB|20181129A0D0LP|20181129A02B6B|n0804d5mx3y|20181128A1K7IZ|20181129'
		      'A09LA4|20181129A060VB|s0804loccct|20181129A0KIZU|20181129A0AEFT|20181'
		      '129A0PGAG|w0804wyseww|20181129009640|20181129A0JLZQ|20181129A06G5R')
	for n in range(1, 11):
		text = get_page(n, expIds)
		parse_title(text)
		expIds = parse_id(text)

修改了get_page()函数，添加了构造url的逻辑，而不是直接把url当作参数传入，然后添加了一个解析expIds的函数。

第四步就要开始考虑保存数据了，因为数据量不大，而且只有1个字段，直接保存为一个csv文件就可以了。
代码如下（文件名为news_of_ent_v3.py)：

import requests
import json
import uagent #我自己编写的一个获取随机user-agent的脚本，可参考https://blog.csdn.net/eighttoes/article/details/82996377
import csv

def get_page(n, expIds): #page从1开始，callback = page + 6
	base_url = 'https://pacaio.match.qq.com/irs/rcd'
	payload = {
		'cid': '146',
		'token': '49cbb2154853ef1a74ff4e53723372ce',
		'ext': 'ent',
		'page': str(n),
		'expIds': expIds,
		'callback': '__jp' + str(n + 6)
	}
	headers = {'User-Agent': uagent.get_ua()}
	response = requests.get(url = base_url, params = payload, headers = headers)
	index = response.text.index('{')
	text = response.text[index:-1] #因为返回的字符串不符合Json格式，所有需要截取
	return text

def parse_title(text):
	dic = json.loads(text)
	titles = [i['title'] for i in dic['data']]
	return titles

def parse_id(text):
	dic = json.loads(text)
	expIds = ''
	for i in dic['data']:
		expIds += i['id']
		expIds += '|'
	return expIds[:-1]

def save(data):
	#encoding用一个比较大的汉字字符集，防止出现不能识别的汉字
	with open('titles.csv', 'a', newline = '', encoding = 'GB18030') as c:
		writer = csv.writer(c)
		for i in data:
			writer.writerow([i])



if __name__ == '__main__':
	#这里对第一个expIds进行硬编码
	expIds = ('20181129001615|20181129A0JFDT|20181128A0Z1JV|l0804gy5rsa|20181129A0K'
		      'LSB|20181129A0D0LP|20181129A02B6B|n0804d5mx3y|20181128A1K7IZ|20181129'
		      'A09LA4|20181129A060VB|s0804loccct|20181129A0KIZU|20181129A0AEFT|20181'
		      '129A0PGAG|w0804wyseww|20181129009640|20181129A0JLZQ|20181129A06G5R')
	for n in range(1, 11):
		text = get_page(n, expIds)
		data = parse_title(text)
		save(data)
		print('the', n, 'page ok')
		expIds = parse_id(text)

将parse_title()函数改为返回一个列表推导式，并新增了一个save()函数。

####我一开始打算抓取1万页的数据，不过到了约20页左右，每页的标题数量就从20个下降到4-5个，我一开始以为是遇到什么反爬策略了，于是用浏览器加载看看，发现也是一样。
然后用脚本抓取到大概2000多页的时候，直接就没有标题返回了，我想应该是企鹅网直接把旧的过期缓存删掉吧，正常人也不会看一个版的新闻，下拉到2000多页。。。
这里我挖掘了3235个标题，下面进行一下简要的分析。
在这里插入图片描述
首先我发现，作为一名专业的小编，在起标题的时候，是绝对不能使用句号的，但是可以使用问号？和感叹号！
而且不能使用简单的几个词语来起标题，标题一般都比较长，需要用逗号来拼接。

至于标题的字数一般控制在20-32个左右，只有极少数会出现在10个字以下，或者35个字以上。
在这里插入图片描述
由于标题必须和内容具有相关性，相信只要具有初中语文水平的同学都会知道这个道理。
虽然近年来，出现了非常非常多的标题党，但是对于标题中的主角一般不会假，因此接下来可以通过标题来看看这两天（我这篇博客写于18年11月29日）热度最高的10位艺人分别是谁？
在这里插入图片描述
可以看出基本和昨天（18年11月28日）的娱乐新闻八九不离十，除了赵丽颖，我不知道发生了什么。。。

总结

通过分析Ajax，仅仅利用requests和json库就可以进行数据的挖掘，保存数据利用了csv库。
至于后期的数据可视化，分别使用了pandas读取并操作csv，jieba进行分词，collections中的Counter进行词频统计，plt画图。

数据采集：采集Ajax动态网站，抓取娱乐热点新闻标题并作简要分析

总结

猜你喜欢