Python 新浪微博 各种表情使用频率
主题：用新浪微博API积累了微博广场的1.4万条数据，我选择了21个字段输出为TXT文件，想用Python稍微处理一下，统计一下这1.4万条微博里面表情使用情况，统计结构在最后。
无聊的时候用了下新浪JAVA版的API，对JAVA还不熟悉，但是稍微改一下还是没问题的，数据保存为TXT文件，再用Python处理，JAVA部分很简单，Python部分只涉及到表情的正则提取，都不好意思写出来了。
1、调用新浪JAVA API下载微博广场数据
步骤思路：
初始化API的Weibo类，设置Token后，设置下载间隔，然后重复调用getPublicTimeline()函数就可以了，下面是主要类的代码：
这个不是完整的代码，没有初始化暂停间隔，可以掠过，很简单。
View Code
1 class WriteWeiboData{
2 private int n;
3 public WriteWeiboData(int count)
4 {
5 this.n=count;
6 }
7 public void Start(){
8 System.setProperty("weibo4j.oauth.consumerKey", Weibo.CONSUMER_KEY);
9 System.setProperty("weibo4j.oauth.consumerSecret", Weibo.CONSUMER_SECRET);
10 try {
11 //获取前20条最新更新的公共微博消息
12 Weibo weibo = new Weibo();
13 //weibo.setToken(args[0],args[1]);
14 weibo.setToken("keystring", "keyscrect");
15 for(int i=0;i<this.n;i++){
16 System.out.print("Start to get weibo data num "+(i+1)+"\n");
17 List<Status> statuses =weibo.getPublicTimeline();
18 for (Status status : statuses) {
19 SaveData(status);
20 }
21 try{
22 System.out.print("Success to get weibo data num "+(i+1)+"\n");
23 System.out.print("Sleep for 30 seconds");
24 Thread.sleep(30000);
25 }catch(Exception ee){
26 System.out.print("Sleep Error");
27 }
28 }
29 } catch (WeiboException e) {
30 e.printStackTrace();
31 }
32 }
33 public void SaveData(Status status){
34 //Return data format:
35 //created_at,id,text,source,mid
36 //user:id,screen_name,name,provience,city,location,description,url,domain,gender,
37 //followers_count,friends_count,statuses_count,favourites_count,created_at,verified
38 //annotations:server_ip
39 try{
40 User user=status.getUser();
41 FileWriter fw=new FileWriter("F:/Sina.txt",true);
42 fw.write(status.getCreatedAt()+"\t"+status.getId()+"\t"+status.getText()+"\t"+
43 status.getSource()+"\t"+status.getMid()+"\t"+
44 user.getId()+"\t"+user.getScreenName()+"\t"+user.getName()+"\t"+
45 user.getProvince()+"\t"+user.getCity()+"\t"+user.getLocation()+"\t"+
46 user.getDescription()+"\t"+user.getURL()+"\t"+user.getUserDomain()+"\t"+
47 user.getGender()+"\t"+user.getFollowersCount()+"\t"+user.getFriendsCount()+"\t"+
48 user.getStatusesCount()+"\t"+user.getFavouritesCount()+"\t"+user.getCreatedAt()+"\t");
49 fw.write("\n");
50 fw.close();
51 }
52 catch(Exception e){
53 System.out.print("IO Error");
54 }
55 }
56 }
2、数据格式：
要取得数据就是微博内容，先练一下手玩玩。
3、Python处理数据
目标：查看微博用户表情使用情况，暂时只分性别，如果积累了合适的数据后可以分析各个时间段人们爱用哪种表情。
步骤：
$ 读取TXT文件，递归处理每一行
$ 单独提取出微博字段，正则提取表情字段，同时把性别提取出来，放到一个dict里面，dict的格式是：表情/女性使用频率/男性使用频率，递归处理，累积频率
$ 把结果写入到文件
注意：Python正则提取中文部分，先解码成unicode编码，再正则提取，表情的标志是[]，虽有误差，但无大碍。
代码：
__collection函数是处理函数，返回处理结果(dict)
View Code
1 class EmotionFrequent():
2 infoFile='F:/Sina.txt'
3 def __init__(self):
4 pass
5 def __collection(self):
6 f=open(self.infoFile)
7 d=dict()
8 n=1
9 for line in f.readlines():
10 if line.strip()=='' or line.strip()=='\n':
11 pass
12 cols=line.split('\t')
13 if len(cols)<20:
14 continue
15 n+=1
16 es=[]
17 #if cols[2].find('[')!=-1 and cols[2].find(']')!=-1:
18 info=cols[2]
19 for i in re.findall(r'\[\S+?\]',info.decode('utf-8')):
20 data=i[1:-1].encode('utf-8')
21 if d.has_key(data):
22 if cols[14]=='f':
23 d[data][0]+=1
24 d[data][2]+=1
25 else:
26 d[data][1]+=1
27 d[data][2]+=1
28 else:
29 if cols[14]=='f':
30 d[data]=[1,0,1]
31 else:
32 d[data]=[0,1,1]
33 print 'Total records num '+str(n)
34 return d
35 pass
36 def WriteDict(self):
37 d=self.__collection()
38 f=open('F:/keys.txt','w')
39 for k in d:
40 f.write(k+'\t')
41 f.write(str(d[k][0])+'\t')
42 f.write(str(d[k][1])+'\t')
43 f.write(str(d[k][2])+'\n')
44 f.close()
45 pass
46 def Run(self):
47 self.WriteDict()
48 pass
脚本运行结果：
把结果放到EXCEL里面重新排序，得到如下结果：
至于怎么解读这个结果，有没有意义，各有各的想法
5、今晚才把正则认真看了一下，虽然很久之前就知道应该掌握正则表达式
6、没有写博客的习惯，写得难看见谅。
晚安
