爬虫综合大作业（震惊！爬取了590位微信好友后竟然发现了）

作业要求来自https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/3159

可以用pandas读出之前保存的数据：见上次博客爬取全部的校园新闻并保存csv

newsdf = pd.read_csv(r'F:duymgzccnews.csv')

一.把爬取的内容保存到数据库sqlite3

import sqlite3
with sqlite3.connect('gzccnewsdb.sqlite') as db:
newsdf.to_sql('gzccnews',con = db)

with sqlite3.connect('gzccnewsdb.sqlite') as db:
df2 = pd.read_sql_query('SELECT * FROM gzccnews',con=db)

保存到MySQL数据库

• import pandas as pd
• import pymysql
• from sqlalchemy import create_engine
• conInfo = "mysql+pymysql://user:passwd@host:port/gzccnews?charset=utf8"
• engine = create_engine(conInfo,encoding='utf-8')
• df = pd.DataFrame(allnews)
• df.to_sql(name = ‘news', con = engine, if_exists = 'append', index = False）

成功保存：

 

newsdf = pd.read_csv(r'C:UsersCzcPycharmProjects
ews.csv')

import sqlite3
'''
with sqlite3.connect('gzccnewsdb.sqlite') as db:
    newsdf.to_sql('gzccnews',con = db)
'''
with sqlite3.connect('gzccnewsdb.sqlite') as db:
    df2 = pd.read_sql_query('SELECT * FROM gzccnews',con=db)


import pymysql
from sqlalchemy import create_engine
coninfo = "mysql+pymysql://root:@localhost:3306/gzccnews?charset=utf8"
engine = create_engine(coninfo,encoding="utf-8")

newsdf.to_sql(name='news',con=engine,if_exists='append',index= False,index_label='id')

---

二.爬虫综合大作业

1. 选择一个热点或者你感兴趣的主题。
2. 选择爬取的对象与范围。
3. 了解爬取对象的限制与约束。
4. 爬取相应内容。
5. 做数据分析与文本分析。
6. 形成一篇文章，有说明、技术要点、有数据、有数据分析图形化展示与说明、文本分析图形化展示与说明。
7. 文章公开发布。

参考：

32个Python爬虫项目

都是谁在反对996？

Python和Java薪资最高，C#最低！

给《流浪地球》评1星的都是什么心态？

《都挺好》弹幕数据，比剧情还精彩？

爬了自己的微信好友，原来他们是这样的人……

春节人口迁徙大数据报告！

七夕前消费趋势数据

爬了一下天猫上的Bra购买记录，有了一些羞羞哒的发现...

Python做了六百万字的歌词分析，告诉你中国Rapper都在唱些啥

分析了42万字歌词后，终于搞清楚民谣歌手唱什么了

十二星座的真实面目

唐朝诗人之间的关系到底是什么样的？

中国姓氏排行榜

三.爬虫注意事项

1.设置合理的爬取间隔，不会给对方运维人员造成压力，也可以防止程序被迫中止。

• import time
• import random
• time.sleep(random.random()*3)

2.设置合理的user-agent，模拟成真实的浏览器去提取内容。

1. 首先打开你的浏览器输入：about:version。
2. 用户代理:
3. 收集一些比较常用的浏览器的user-agent放到列表里面。
4. 然后import random，使用随机获取一个user-agent
5. 定义请求头字典headers={’User-Agen‘：}
6. 发送request.get时，带上自定义了User-Agen的headers

3.需要登录

发送request.get时，带上自定义了Cookie的headers

headers={’User-Agen‘：  

'Cookie':    }

4.使用代理IP

通过更换IP来达到不断高 效爬取数据的目的。

headers = {

    "User-Agent": "",

}

proxies = {

    "http": " ",

    "https": " ",

}

response = requests.get(url, headers=headers, proxies=proxies)

---

python大作业之--使用python爬取微信好友

01 准备工作

运行平台：Windows 10
Python版本：Python3.7

 

首先登陆python版本微信itchat，生成二维码扫描登陆获取微信好友列表

然后统计好友男女数量并打印输出

接着使用matplotlib绘图

输出结果可以我的微信好友男女比例大概五五开，即使是在男女37开的学校，说明我微信里的女生数比较少，有待加强。

接着获取微信好友的信息

统计好友所在城市信息并绘图输出

输出结果可以看出广州的好友占了大多数，因为是在广州上的大学，所以身边大多数都是广州的吧，还有比较多的城市的就是汕尾了，因为老家在汕尾，所以汕尾的人数也达到了45，紧接着就深圳等大城市了。

根据获取到的微信好友个性签名画词云

 输出结果可以看出我微信好友的个性签名比较励志正常的，像努力，时间，开心，自己，平安等，另外广商也是一大特征。

 完整代码：

# -*- coding: utf-8 -*-

import numpy as np
import itchat
import matplotlib.pyplot as plt
# 登录微信，会弹出二维码，用手机微信扫一扫即可登录
itchat.login()
# 获取好友的所有数据
friends = itchat.get_friends(update=True)[0:]

# ***-----统计好友性别比例-----***
# 初始化计数器
male = female = other = 0
# friends[0]是自己的信息，因此从friends[1]开始
for i in friends[1:]:
    sex = i['Sex']
    if sex == 1:
        male += 1
    elif sex == 2:
        female += 1
    else:
        other += 1
# 计算朋友总数
total = len(friends[1:])
# 打印输出好友性别比例
print(
    "男性好友: %.2f%%" % (float(male)/total * 100) + "
" +
    "女性好友: %.2f%%" % (float(female)/total * 100) + "
" +
    "不明性别好友: %.2f%%" % (float(other)/total * 100)
    )


# 进行绘图
label_name = ["Boy", "Girl", "Unknown"]
gender_list = [male, female, other]
plt.figure()
plt.bar(range(len(gender_list)), gender_list, tick_label=label_name)

# 绘图中文显示设置
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

plt.xlabel(u'性别')
plt.ylabel(u'人数')
plt.title(u'好友性别比例')

# 在柱状图上显示数字
x=np.arange(3)
y=np.array(gender_list)
for a,b in zip(x,y):
    plt.text(a, b+0.1, '%.2f' % b, ha='center', va= 'bottom',fontsize=12)


# ***-----获取各类信息-----***
# 定义函数，爬取所有好友的指定信息
def get_var(var):
    variable = []
    for i in friends[1:]:
        value = i[var]
        variable.append(value)
    return variable

# 调用函数，得到对应信息，并存入csv文件，保存到桌面
NickName = get_var("NickName")
Sex = get_var("Sex")
Province = get_var("Province")
City = get_var("City")
Signature = get_var("Signature")

# Excel 打开中文乱码问题 未解决
# 不过可以通过Excel->数据->文本导入的形式，将csv文件导入，就可以避免乱码问题
from pandas import DataFrame

data = {"NickName": NickName, "Sex": Sex, "Province": Province,
            "City": City, "Signature": Signature}
frame = DataFrame(data)
frame.to_csv('data.csv', encoding='utf_8_sig', index=True)

# ***-----统计好友城市分布-----***
city_dict = {}
x_city = []
y_city = []
for city_name in City:
    if city_name in city_dict:
        city_dict[city_name] += 1
    else:
        city_dict[city_name] = 1
city_list = sorted(city_dict.items(), key=lambda item:item[1], reverse=True)
# 将前14个城市排序显示，去除排名第一的未知城市（城市信息为空的好友）
for i in city_list[1:15]:
    x_city.append(i[0])
    y_city.append(i[1])
plt.figure()
plt.bar(range(len(x_city)), y_city, tick_label=x_city)
plt.xlabel(u'城市')
plt.ylabel(u'人数')
plt.title(u'好友城市分布')
# 在柱状图上显示数字
x=np.arange(len(x_city))
y=np.array(y_city)
for a,b in zip(x,y):
    plt.text(a, b+0.06, '%.2f' % b, ha='center', va='bottom', fontsize=9)

# ***-----根据个性签名绘制词云图-----***
# 通过正则匹配清洗数据
import re
Signature_list = []
for i in friends:
    signature = i["Signature"].strip().replace("span", "").replace("class", "").replace("emoji", "")
    rep = re.compile("lfd+w*|[<>/=]")
    signature = rep.sub("", signature)
    Signature_list.append(signature)
text = "".join(Signature_list)
# 调包进行分词
import jieba
wordlist = jieba.cut(text, cut_all=False)
word_space_split = " ".join(wordlist)
# 调包进行词云图绘制
from wordcloud import WordCloud, ImageColorGenerator
import PIL.Image as Image
coloring = np.array(Image.open("czc.jpg"))
my_wordcloud = WordCloud(background_color="white", max_words=200,
mask=coloring, max_font_size=70, random_state=42, scale=2,
font_path="C:WindowsFontsSimHei.ttf").generate(word_space_split)
image_colors = ImageColorGenerator(coloring)
plt.figure()
plt.imshow(my_wordcloud.recolor(color_func=image_colors))
plt.imshow(my_wordcloud)
plt.axis("off")
plt.show()

还可以使用获取到的微信好友头像进行拼接（参考https://blog.csdn.net/zrp220807/article/details/80455651）

核心模块

• itchat（爬取头像）

• pillow（拼接头像）

内置模块

• os（文件夹操作）
• math（数学计算）