新年贺词分析

客怎眠qvq

发布于 2022-11-01 15:54:46

8720

发布于 2022-11-01 15:54:46

文章被收录于专栏：某菜鸟の小屋

前言

快过年了，想起高中时每年语文老师都会朗读习近平主席的金句名言，以开阔同学们的眼界、猜测高考热点。想到这，心里感慨万千。最近也在复习爬虫的相关知识，于是爬取了三篇习大大的新年贺词，统计词频并生成词云，关注一波近年来我国的热点。

测试环境： Python3.6、win10

第三方库：requests、beautifulsoup、re、WordCloud等

问题分析

爬虫部分

我们需要爬取习大大近三年的新年贺词，这里选择央广网

近三年来，网站的内容均在类名为article-body的div盒子下，且均为p标签（只有2022年的文章内容给予p标签样式，不通用）

利用soup确定文本位置，将三篇贺词写入text.txt，我们便完成了爬虫部分

def getHtml(url, head):
    r = requests.get(url, headers=head, timeout=30)
    r.raise_for_status()
    r.encoding = "GBK"
    print("网页请求成功!")
    return r.text


def getSoupText(html):
    soup = BeautifulSoup(html, "html.parser")
    ps = soup.find('div', 'article-body').find_all('p')
    with open("text.txt", 'a', encoding="utf-8") as f:
        for p in ps:
            f.write(str(p.get_text()))
        f.write('\n')
        f.close()

清洗部分

这里使用了哈工大的停词表清洗text中的无用词汇，排除中文无用虚词"了"的词汇的影响，利用collections库一行代码完成词频统计，并输出词频前十的词条。

def textSolve():
    result = []
    text = open("text.txt", encoding="utf-8").read() 
    # 正则去除中文标点
    strs = re.sub("[\s+\.\!\-\/_,$%^*<>《》()+\"\']+|[+——！，。？、~@#￥%……&*（）：”“]", "", text)
    # jieba分词
    strs = jieba.cut(strs) 
    # 加载停用词表 清洗无用词 如 “了” “是”等
    with open("hit_stopwords.txt", 'r', encoding='utf-8') as f:
        remove_words = [w.strip('\n') for w in f.readlines()]
    for word in strs: 
        if word not in remove_words:
            result.append(word)
    # 词频统计
    wordCounts = collections.Counter(result) 
    wordCountsTop10 = wordCounts.most_common(10) 
    print (wordCountsTop10)
    return wordCounts

词云生成

备忘：词云生成的数据必须为字典类型，存储词条内容与频数的键值对，可以通过font的路径更换生成词云的字体。

def ShowCloud(maskPath, fontPath, fileName, wordCounts): # 更改传入蒙版和字体的地址参数 以改变词云的形状和字样
    # 词云使用的词频为字典
    mask = np.array(Image.open(maskPath))
    wc = wordcloud.WordCloud(
        font_path=fontPath,
        mask=mask,
        max_words=200,
        max_font_size=100,
        background_color='white'
    )
    wc.generate_from_frequencies(wordCounts)
    image_colors = wordcloud.ImageColorGenerator(mask)
    wc.recolor(color_func=image_colors)
    wc.to_file('name.jpg')  # 无白边保存图片 建议
    print("请查看name.jpg")

代码

# 爬虫
import requests
from bs4 import BeautifulSoup
# 清洗
import re           
import jieba
# 统计
import collections
# 词云生成
import numpy as np
import wordcloud    
from PIL import Image  


def getHtml(url, head):
    r = requests.get(url, headers=head, timeout=30)
    r.raise_for_status()
    r.encoding = "GBK"
    print("网页请求成功!")
    return r.text


def getSoupText(html):
    soup = BeautifulSoup(html, "html.parser")
    ps = soup.find('div', 'article-body').find_all('p')
    with open("text.txt", 'a', encoding="utf-8") as f:
        for p in ps:
            f.write(str(p.get_text()))
        f.write('\n')
        f.close()


def textSolve():
    result = []
    text = open("text.txt", encoding="utf-8").read() 
    # 正则去除中文标点
    strs = re.sub("[\s+\.\!\-\/_,$%^*<>《》()+\"\']+|[+——！，。？、~@#￥%……&*（）：”“]", "", text)
    # jieba分词
    strs = jieba.cut(strs) 
    # 加载停用词表 清洗无用词 如 “了” “是”等
    with open("hit_stopwords.txt", 'r', encoding='utf-8') as f:
        remove_words = [w.strip('\n') for w in f.readlines()]
    for word in strs: 
        if word not in remove_words:
            result.append(word)
    # 词频统计
    wordCounts = collections.Counter(result) 
    wordCountsTop10 = wordCounts.most_common(10) 
    print (wordCountsTop10)
    return wordCounts


def ShowCloud(maskPath, fontPath, fileName, wordCounts):
    # 词云使用的词频为字典
    mask = np.array(Image.open(maskPath))
    wc = wordcloud.WordCloud(
        font_path=fontPath,
        mask=mask,
        max_words=200,
        max_font_size=100,
        background_color='white'
    )
    wc.generate_from_frequencies(wordCounts)
    image_colors = wordcloud.ImageColorGenerator(mask)
    wc.recolor(color_func=image_colors)
    wc.to_file('name.jpg')  # 无白边保存图片 建议
    print("请查看name.jpg")


def main():
    head = {  # 模拟浏览器头部信息，向豆瓣服务器发送消息
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122  Safari / 537.36"
    }
    urls = ["http://china.cnr.cn/news/20200101/t20200101_524921153.shtml",
            "http://news.cnr.cn/native/gd/20201231/t20201231_525380797.shtml",          "http://news.cnr.cn/native/gd/20211231/t20211231_525704373.shtml"]
    for url in urls:
        html = getHtml(url, head)
        getSoupText(html)

    wordCounts = textSolve()
    # 这里的四个参数分别为 生成词云图案的蒙版路径、字体路径、保存生成词云的路径、词频统计数据(字典)
    ShowCloud('xijinping.jpg', 'C:/Windows/Fonts/SimHei.ttf', 'name.jpg', wordCounts)


main()

效果展示

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2022-01-29，如有侵权请联系 cloudcommunity@tencent.com 删除

爬虫

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

爬虫

登录后参与评论

0 条评论

热度