Python爬虫+数据清洗+数据可视化基础案例

最近迷上了Python爬虫，我们的hadoop课程也正好涉及到了这个内容，所以就想结合课程内容(爬取京东手机评论https://item.jd.com/100003060627.html#crumb-wrap)写一篇关于python爬虫到数据可视化的完整流程

打开网站https://item.jd.com/100003060627.html#crumb-wrap我们要爬取该手机的评论信息，就要先找到“我们点击查看评论时，浏览器向服务器请求来的文件”在该文件中有我们需要的url地址和求头(请求头包括referer：重定向 和 user-agent：用户代理)，浏览器都会有一些反爬虫的措施，所以需要使用该请求头去模拟浏览器向服务器请求数据。至于怎么找到我们需要的文件，博主只能说：这需要一些前端的知识和自己的经验，爬虫做多了 额…不对，这样不太好，爬虫是有些偏灰暗的，我是说熟能生巧啊。可以先看一下文件的Preview，如下即为我们需要的信息文件，然后点击Headers先复制我们需要的信息到编译器中，为我们待会写代码时准备：

获取并筛选数据

拿到我们需要的url地址和请求头后，先分析一下url地址，主要是它的后半部分，它是由字符串拼接而成的，比如这里的url地址：https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv21252&productId=100003060627&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1
在这里**page=**后面跟的就是第几页评论的信息（数据），不信你点击第二页评论时page=后面就是1&pageSize=10&isShadowSku=0&fold=1，由0变为了1（感觉在侮辱自己的智商(艹皿艹)），由此我们可以将url地址切割为两部分，将变化的数据用变量表示，然后再将两部分拼接得到最终的url地址，我们就可以通过控制变量来获取对应的数据量了，如下为切割和拼接的过程和结果

#切割后第一部分
url_header="https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv19450&productId=100003060627&score=0&sortType=5&page="
#切割后第二部分
url_tail="&pageSize=10&isShadowSku=0&rid=0&fold=1"
#拼接得到最终url地址(后面用循环改变page的值，此处加1，即从第二页开始获取数据，也可以不加1)
url_mate20=url_header + str(page+1) + url_tail

现在正式开始搬砖了，先导入我们需要用到的两个库，也可以叫包、模块

import requests
import json

利用请求头和拼接得到的最终url，循环请求每一条评论数据，并将请求到的数据转化格式为json格式保存为本地的txt文件，如下我保存到自己电脑D:\python_data目录下

    for page in range(20):
        url_tail="&pageSize=10&isShadowSku=0&rid=0&fold=1"
        # 拼接得到最终url,并请求数据(得到键值对格式(字典)的数据)
        url_mate20=url_header + str(page+1) + url_tail
        res=requests.get(url_mate20,headers=headers)

        # 用json.loads将数据转化格式为json格式
        data=json.loads(res.text[27:-2])
        comment=(data['comments'])

        # 将数据遍历保存到本地的.txt文件中,
        for i in comment:
            # 注意带参数"a"，如果是w就会覆盖原有内容，这样子你只能得一条评论
            honor20i_text=open('D:\\python_data\\honor20i_text.txt','a')
            honor20i_text.write('%s\n'%i['content'])
            honor20i_text.close()

此时运行程序会在指定目录下生成一个txt文件，打开可看见即为我们获取到的评论数据，看起来有点乱，可以在请求的时候自己做一下格式美化，后面我要将获取到的txt数据可视化(词云)，所以这里就不用做美化了啊

数据可视化（词云形式，激动ヾ(✿ﾟ▽ﾟ)ノ）

同样先到包

import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt #可视化包

下面读取我们获取到的txt文件内容，再使用jieba来处理剪切我们爬取的文本内容，继续处理对剪过的文本以空格拼接起来，然后就是利用matplotlib包设置一下显示的字体样式和保存显示结果了

import jieba
    from wordcloud import WordCloud
    import matplotlib.pyplot as plt #可视化包

    #读取爬虫保存下载的数据
    file_text = open('D:\\python_data\\honor20i_text.txt','r').read()

    #再使用jieba来处理剪切我们爬取文本内容
    cut_text = jieba.cut(file_text)

    #继续处理对剪过的文本以空格拼接起来，注意一下这里“”有空格的
    result = " ".join(cut_text)

    wc_cloud = WordCloud(
        font_path='D:\python_data\\pzh.ttf',     #字体的路径
        background_color='black',   #背景颜色
        width=1200,
        height=600,
        max_font_size=150,            #字体的大小
        min_font_size=30,			  #字体的大小
        max_words=10000
    )
    wc_cloud.generate(result)
    wc_cloud.to_file('D:\\python_data\\LingDucloud.png')    #图片保存

    #图片展示
    plt.figure('凌度img')   #图片显示的名字
    plt.title('JD_mate20')
    plt.imshow(wc_cloud)
    plt.axis('off')
    plt.show()

注意这里用到了.ttf字体包，没有字体包的可以在评论区留言，博主我分享给你呀，我还是有几个字体包的（￣︶￣）↗

font_path='D:\python_data\\pzh.ttf'

如下为运行后的可视化词云效果，字体越大越明显的词汇说明在评论内容中出现的次数就越多，此时在指定的路径目录下也会生成相应的图片


下面为全部源码，将数据获取和数据可视化分别写成两个方法，在main中分别调用就不用新建两个python文件啦。哪里还不太懂，或者有什么问题(包括和我获取.ttf字体包)欢迎在留言区留下你的脚印哦。

import requests
import json

#数据爬取方法
def gain_data():
    #请求头(包括referer：重定向(反爬虫) user-agent：用户代理)
    headers={
        'referer':'Referer: https://item.jd.com/100003060627.html',
        'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
                     '(KHTML, like Gecko) Chrome/75.0.3770.80 Safari/537.36'
    }
    #url地址
    url_header="https://sclub.jd.com/comment/productPageComments.action?callback=" \
               "fetchJSON_comment98vv19450&productId=100003060627&score=0&sortType=5&page="

    for page in range(20):
        url_tail="&pageSize=10&isShadowSku=0&rid=0&fold=1"
        # 拼接得到最终url,并请求数据(得到键值对格式(字典)的数据)
        url_mate20=url_header + str(page+1) + url_tail
        res=requests.get(url_mate20,headers=headers)

        # 用json.loads将数据转化格式为json格式
        data=json.loads(res.text[27:-2])
        comment=(data['comments'])

        # 将数据遍历保存到本地的.txt文件中,
        for i in comment:
            # 注意带参数"a"，如果是w就会覆盖原有内容，这样子你只能得一条评论
            honor20i_text=open('D:\\python_data\\honor20i_text.txt','a')
            honor20i_text.write('%s\n'%i['content'])
            honor20i_text.close()


#词云可视化方法
def mate20_view():
    import jieba
    from wordcloud import WordCloud
    import matplotlib.pyplot as plt #可视化包

    #读取爬虫保存下载的数据
    file_text = open('D:\\python_data\\honor20i_text.txt','r').read()

    #再使用jieba来处理剪切我们爬取文本内容
    cut_text = jieba.cut(file_text)

    #继续处理对剪过的文本以空格拼接起来，注意一下这里“”有空格的
    result = " ".join(cut_text)

    wc_cloud = WordCloud(
        font_path='D:\python_data\\pzh.ttf',     #字体包的路径
        background_color='black',   #背景颜色
        width=1200,
        height=600,
        max_font_size=150,            #字体的大小
        min_font_size=30,			  #字体的大小
        max_words=10000
    )
    wc_cloud.generate(result)
    wc_cloud.to_file('D:\\python_data\\LingDucloud.png')    #图片保存

    #图片展示
    plt.figure('凌度img')   #图片显示的名字
    plt.title('JD_mate20')
    plt.imshow(wc_cloud)
    plt.axis('off')
    plt.show()

if __name__ == '__main__':
    mate20_view()

文章到这里就结束啦，感谢参考：
https://www.jb51.net/article/154261.htm
https://blog.csdn.net/weixin_42946604/article/details/88079475

关于博主

这是一篇很基础的关于python爬虫的博客文章，大佬看见了一定要在评论区留下宝贵的建议脚印呀！大二的时候就学习过Python这方面的知识了，那时候没什么兴趣，就没有好好学┭┮﹏┭┮，现在也是还在自学中，也看了很多大佬的文章，受益匪浅。最后告诉一下小同学，如果是计算机类、编程类专业并且要走专业路线的话，一定要好好学习数学，今后的人工智能、大数据、数据建模你将会感受到数学的重要性，说到这里真想给自己两jiao(つД`)过去两年怎么不好好学高数、线性代数、概率论、离散数学和算法，精神上再给自己一jiao！

  o    _______________
 /\_  _|             |
_\__`[_______________|  
] [ \, ][         ][