分析为周杰伦打榜的夕阳红老年团，告诉你他们真实年龄！

xujjj

发布于 2019-08-06 10:57:19

1K0

发布于 2019-08-06 10:57:19

文章被收录于专栏：IT界的泥石流IT界的泥石流

前段时间为“周杰伦打榜”话题迅速登上微博热搜榜

因为cxk的粉丝们质疑周杰伦微博没有数据（周杰伦没有开通微博）于是，无数隐匿江湖多年看不下去的周杰伦老年粉开始被迫营业

于是一场周杰伦中老年粉VS蔡徐坤铁军微博打榜大战拉响为听了那么多年的周杰伦粉丝们纷纷拉下老脸和00后的微博饭圈小年轻们从零学习如何做数据

一、需求背景

iKun们都说周杰伦的粉丝是夕阳红老年团

今天我们就用他们说的数据，来实力打脸，让iKun们看看周杰伦的粉丝们到底是不是中老年粉！

二、功能描述

用爬虫爬取#周杰伦超话#下的微博，然后再爬取他们的个人主页信息，获取年龄、地区、性别等信息，然后用数据分析，再可视化呈现！

注意：文中说的微博个人主页信息均为微博公开信息，不包含任何隐私信息，同时全文中将不会出现任何人的个人信息，信息仅用于学习分析，任何人不得使用此教程用作商用，违者后果自负！

三、技术方案

我们大概分解下技术步骤，以及使用的技术

爬取#周杰伦超话#下的微博
根据每条微博爬取该用户基本信息
将信息保存到csv文件
使用数据分析用户年龄、性别分布
分析粉丝团的地区分布
使用词云分析打榜微博内容

爬取数据我们可以使用requests库，保存csv文件我们可以使用内置库csv，而可视化数据分析这次给大家介绍一个超级好用的库pyecharts，技术选型好了之后我们就可以开始技术实现了！

四、爬取超话微博

1.找到超话加载数据URL

我们在谷歌浏览器（chrome）中找到#周杰伦超话#页面，然后调出调试窗口，改为手机模式，然后过滤请求，只查看异步请求，查看返回数据格式，找到微博内容所在！

微博请求链接：https://m.weibo.cn/api/container/getIndex?jumpfrom=weibocom&containerid=1008087a8941058aaf4df5147042ce104568da_-_feed

2.代码模拟请求数据

拿到链接我们就可以模拟请求，这里我们还是使用我们熟悉的requests库。简单几句便可以获取微博

3.提取微博内容

我们可以看到返回的数据是一个json格式的，我们一层一层寻找，就可以找到微博内容、用户id所在！

了解微博返回的数据结构之后我们就可以将微博内容和id提取出来啦

4.批量爬取微博

在我们提取一条微博之后，我们便可以批量爬取微博啦，如何批量？当然是要分页了？那如何分页，这里猪哥再教大家一遍寻找分页参数技巧：

查找分页参数技巧：比较第一次和第二次请求url，看看有何不同，找出不同的参数！给大家推荐一款文本比较工具：Beyond Compare

比较两次请求的URL发现，第二次比第一次请求链接中多了一个：since_id参数，而这个since_id参数就是每条微博的id！

微博分页机制：根据时间分页，每一条微博都有一个since_id，时间越大的since_id越大所以在请求时将since_id传入，则会加载对应话题下比此since_id小的微博，然后又重新获取最小since_id将最小since_id传入，依次请求，这样便实现分页

了解微博分页机制之后，我们就可以制定我们的分页策略：我们将上一次请求返回的微博中最小的since_id作为下次请求的参数，这样就等于根据时间倒序分页抓取数据！

然后写一个for循环调用上面那个方法就可以啦

# 批量爬取
    for i in range(1000):
        print('第%d页' % (i + 1))
        spider_topic()

四、爬取用户信息

批量爬取微博搞定之后，我们就可以开始爬取用户信息啦！

首先我们得了解，用户基本信息页面的链接为：https://weibo.cn/用户id/info，我们以某喜欢唱、跳、rap还有篮球的同学主页为例子！

所以我们只要获取到用户的id就可以拿到他的公开基本信息！

1.获取用户id

回顾我们之前分析的微博数据格式，发现其中便有我们需要的用户id！

所以我们在提取微博内容的时候可以顺便将用户id提取出来！

2.模拟登录

我们获取到用户id之后，只要请求https://weibo.cn/用户id/info 这个url就可以获取公开信息了，但是查看别人用户主页是需要登录的，那我们就先用代码模拟登录！

我们之前爬取豆瓣的时候，已经教过大家如何模拟登录了，这里就直接放出代码！

登录我们使用的是requests.Session()对象，这个对象会自动保存cookies，下次请求自动带上cookies！

3.爬取用户公开信息

拿到用户id又登录之后，就可以开始爬取用户公开信息啦！

这里公开信息我们只要：用户名、性别、地区、生日这些数据！所以我们需要将这几个数据提取出来！

爬取用户信息不能过于频繁，否则会出现请求失败（响应状态码=418），但是不会封你的ip，其实很多大厂不太会轻易的封ip，太容易误伤了，也许一封就是一个小区甚至更大！

五、保存csv文件

微博信息拿到了、用户信息也拿到了，那我们就把这些数据保存起来，方便后面做数据分析！

我们之前一直是保存txt格式的，因为之前都是只有一项数据，而这次是多项数据（微博内容、用户名、地区、年龄、性别等），所以选择CSV（Comma Separated Values逗号分隔值）格式的文件！

我们生成一个列表，然后将数据按顺序放入，再写入csv文件！

看看生成的csv文件，注意csv如果用wps或excel打开可能会乱码，因为我们写入文件用utf-8编码，而wps或excel只能打开gbk编码的文件，你可以用一般的文本编辑器即可，pycharm也可以！

六、数据分析

数据保存下来之后我们就可以进行数据分析了，首先我们要知道我们需要分析哪些数据？

我们可以将性别数据做生成饼图，简单直观
将年龄数据作出柱状图，方便对比，看看到底是不是夕阳红老年团
将地区做成中国热力图，看看哪个地区粉丝最活跃
最后将微博内容做成词云图，直观了解大家在说啥

1.读取csv文件列

因为我们保存的数据格式为：’用户id’, ‘用户名’, ‘性别’, ‘地区’, ‘生日’, ‘微博id’, ‘微博内容’，的很多行，而现在做数据分析需要获取指定的某一列，比如：性别列，所以我们需要封装一个方法用来读取指定的列！

这里猪哥还使用了Counter类来统计词频，方便后面数据分析，他返回的格式为：{‘女’: 1062, ‘男’: 637}。

2.可视化库pyecharts

在我们分析之前，有一件很重要的事情，那就是选择一个合适可视化库！大家都知道Python可视化库非常多，之前我们一直在用matplotlib库做词云，matplotlib做一些简单的绘图非常方便。但是今天我们需要做一个全国分布图，所以经过猪哥对比筛选，选择了国人开发的pyecharts库。选择这个库的理由是：开源免费、文档详细、图形丰富、代码简介，用着就是一个字：爽！