爬虫大作业

� 提交作业

---

1.选一个自己感兴趣的主题（所有人不能雷同）。

每天都有接触各大平台推送的新闻，了解到了校园外的大小事。故此，对新浪新闻标题的关键字的爬取，看看最近发生的实时，也想比较下标题党还是和实际内容的差异。

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。

实现代码：

import jieba
import requests
from bs4 import BeautifulSoup

url = 'http://news.sina.com.cn/china/'
res = requests.get(url)
# 使用UTF-8编码
res.encoding = 'UTF-8'

# 使用剖析器为html.parser
soup = BeautifulSoup(res.text, 'html.parser')


#遍历每一个class=news-item的节点
for news in soup.select('.news-item'):
    h2 = news.select('h2')
    #只选择长度大于0的结果
    if len(h2) > 0:
        #新闻时间
        time = news.select('.time')[0].text
        #新闻标题
        title = h2[0].text
        #新闻链接
        href = h2[0].select('a')[0]['href']
        #打印
        print(time, title, href)

        f = open('news.txt', 'a', encoding='utf-8')
        f.write(title)
        f.close()


        def changeTitleToDict():
            f = open("news.txt", "r", encoding='utf-8')
            str = f.read()
            stringList = list(jieba.cut(str))
            notWord = {"：", "“","”","“”","？","+", ".", "_", "/", "（", "）", "..", "(", ")", "【", "】", "， ", " ", "：", "；", "！", "、", "论文",
                       "-", "D", "—", "[", "]", "了","不","的", "与", "及", "之", "中", "在", "和"}
            stringSet = set(stringList) - notWord
            title_dict = {}
            for i in stringSet:
                title_dict[i] = stringList.count(i)
            # print(title_dict)
            return title_dict


        # 统计前50出现的词语排序，保存在wordcound.txt
        title_dict = changeTitleToDict()
        dictList = list(title_dict.items())
        dictList.sort(key=lambda x: x[1], reverse=True)
        f = open('word.txt', 'a', encoding='utf-8')
        for i in range(50):
            print(dictList[i])
            f.write(dictList[i][0] + ' ' + str(dictList[i][1]) + '
')
        f.close()

        # 生成词云
        from PIL import Image, ImageSequence
        import numpy as np
        import matplotlib.pyplot as plt
        from wordcloud import WordCloud, ImageColorGenerator

        font = r'C:WindowsFontssimhei.TTF'  # 引入字体
        title_dict = changeTitleToDict()
        # 读取背景图片
        image = Image.open('./002.jpg')
        graph = np.array(image)
        wc = WordCloud(font_path=font,  # 设置字体
                       background_color='White',
                       mask=graph,  # 设置背景图片
                       max_words=200)
        wc.generate_from_frequencies(title_dict)
        image_color = ImageColorGenerator(graph)  # 绘制词云图
        plt.imshow(wc)
        plt.axis("off")
        plt.show()

所用背景图：

生成云图：

总结：

遇到的问题：

1.安装wordcloud库出错

cmd终端中，运用命令pip install wordcloud 找不到pip命令

解决方法是：

 找小伙伴帮助再结合百度后，在网站https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud下载对应版本的whl文件，

然后找对pip相应路径，在终端上进行安装就可以了。

2.由于每个网站的网页结构不一样，在找存放需要的class文件路径花了很长时间去理解。

3.可能借鉴小伙伴代码缘故，当程序运行时，会一直一直生成云图。

最后，综述：遇上问题不少，解决起来还是困难压抑。基础过分薄弱，日后勤加练习和认真听课吧！ 

嗯！就这样。