Python 爬取 热词并进行分类数据分析-[解释修复+热词引用]

日期:2020.02.02

博客期:141

星期日

 

  【本博客的代码如若要使用,请在下方评论区留言,之后再用(就是跟我说一声)】

  所有相关跳转:

  a.【简单准备

  b.【云图制作+数据导入

  c.【拓扑数据

  d.【数据修复

  e.【解释修复+热词引用】(本期博客)

   f.【JSP演示+页面跳转

  g.【热词分类+目录生成

  h.【热词关系图+报告生成

  i . 【App制作

  j . 【安全性改造


  嗯~昨天相当于把数据重新爬了一边,但是貌似数据仍然不合适。问题到底出在什么地方呢?我直接回答了吧!如果我们的需求仅仅是云图展示,那么这些数据就够用了,甚至还多,因为任务是要实现“标记热词出现在哪个新闻里”,这就需要我们记录一下标题。当然!这也不难实现。我先把我所有的 Python 类全部单独分包做成一个.py文件。然后,我将数据库文件重新配置,将sql文件覆盖到上一篇博客中(本篇博客也会发出下载链接)。然后找到之前的添加解释的类,进行二次利用,重新爬取!这个任务也做完了以后呢,我会把之前的链接分别对应到每一个热词,利用 jsp 技术实现热词相关信息的展示。最后,将探索一下热词之间的紧密程度(说实在的我现在有点儿不太理解这是什么意思,等睡一觉,起来问了老师,再修改本篇博客),利用 ECharts 接口制作可供展示的关系图,努力肝了一天发现只做到了展示,没能完成热词关系探索,嗯,交给今后的我了。

  1、整理文件(修改之前的 爬取网页的 文件 不再 撰写)

    嗯,现在我已经将文件规整好了,如下图。先说一下,改造以后的python代码将每一个类分别单独封装成一个.py文件,每一个执行过程将单独使用一个.py文件,并放入到 itWords.process 包当中!我想过可以将所有执行过程写到一个.py文件里,但这样的话就有点儿乱,最终还是决定分开写。

    

     itWords.basic 包:

      此包类已经被整合,详细参照博客: Python 爬取的类封装【将来可能会改造,持续更新...】(2020年寒假小目标09)

    itWords.bean 包:

 1 import codecs
 2 
 3 
 4 class KeyWords:
 5     # 热词
 6     word = ""
 7     # 对应链接
 8     link = ""
 9     # 频数
10     num = 0
11 
12     def __init__(self,word,link,num):
13         self.word = word
14         self.link = link
15         self.num = num
16 
17     # 整理成 一行 字符串
18     def __toString__(self):
19         return self.word +"\t"+str(self.num)+"\t"+self.link
20 
21     # 将 自动整理好的字符串 带换行符 追加 到文件后
22     def __toFile__(self,filePath):
23         f = codecs.open(filePath, "a+", 'utf-8')
24         f.write(self.__toString__() + "\n")
25         f.close()
KeyWords.py
 1 import codecs
 2 
 3 
 4 class News:
 5     # 标题
 6     title = ""
 7     # 内容
 8     info = ""
 9     # 链接
10     link = ""
11 
12     # 初始化
13     def __init__(self,title,info,link):
14         self.title = title
15         self.info = info
16         self.link = link
17 
18     # 整理成 一行 字符串
19     def __toString__(self):
20         return self.link+"\t"+self.title+"\t"+self.info
21 
22     # 将 自动整理好的字符串 带换行符 追加 到文件后
23     def __toFile__(self,filePath):
24         f = codecs.open(filePath, "a+", 'utf-8')
25         f.write(self.__toString__() + "\n")
26         f.close()
27 
28     # 将 标题和内容 衔接的 字符串 予以返回 ( 计算词语频率 )
29     def getSimple(self):
30         return self.title+self.info
News.py

     itWords.process 包:

 1 import codecs
 2 
 3 
 4 def makeSql():
 5     file_path = "../../testFile/rc/words_sql.txt"
 6     f = codecs.open(file_path, "w+", 'utf-8')
 7     f.write("")
 8     f.close()
 9 
10     fw = open("../../testFile/rc/news.txt", mode='r', encoding='utf-8')
11     tmp = fw.readlines()
12 
13     num = tmp.__len__()
14 
15     for i in range(0,num):
16         group = tmp[i].split("\t")
17         group[0] = "'" + group[0] + "'"
18         group[2] = "'" + group[2][0:group[2].__len__()-1] + "'"
19         f = codecs.open(file_path, "a+", 'utf-8')
20         f.write("Insert into words values ("+group[0]+","+group[1]+","+group[2]+");"+"\n")
21         f.close()
22 
23 
24 def makeOne():
25     file_path = "../../testFile/rc/keyword_moreinfo.txt"
26     fw = open("../../testFile/rc/keywords.txt", mode='r', encoding='utf-8')
27     tmp = fw.readlines()
fileR.py

    itWords 包:

 1 import jieba
 2 import jieba.analyse
 3 
 4 
 5 # 新闻段落高频词分析器
 6 class ToolToMakeHighWords:
 7     # 要处理的字符串
 8     test_str = ""
 9 
10     # 初始化
11     def __init__(self,test_str):
12         self.test_str = str(test_str)
13         pass
14 
15     # 使用 文件 建立数据
16     def buildWithFile(self,filePath,type):
17         file = open(filePath, encoding=type)
18         self.test_str = file.read()
19 
20     # 直接给予 字符串 建立
21     def buildWithStr(self,test_str):
22         self.test_str = test_str
23         pass
24 
25     # 统计词
26     def getWords(self,isSimple,isAll):
27         if(isSimple):
28             words = jieba.lcut_for_search(self.test_str)
29             return words
30         else:
31             # True - 全模式 , False - 精准模式
32             words = jieba.cut(self.test_str, cut_all=isAll)
33             return words
34 
35     # 统计词频并排序
36     def getHighWords(self,words):
37         data = {}
38         for charas in words:
39             if len(charas) < 2:
40                 continue
41             if charas in data:
42                 data[charas] += 1
43             else:
44                 data[charas] = 1
45 
46         data = sorted(data.items(), key=lambda x: x[1], reverse=True)  # 排序
47 
48         return data
49 
50     # 获取 前 num 名的高频词 ( 带频率 )
51     def selectObjGroup(self,num):
52         a = jieba.analyse.extract_tags(self.test_str, topK=num, withWeight=True, allowPOS=())
53         return a
54 
55     # 获取 前 num 名的高频词 ( 不带频率 )
56     def selectWordGroup(self,num):
57         b = jieba.analyse.extract_tags(self.test_str, topK=num, allowPOS=())
58         return b
ToolToMakeHighWords.py
 1 import parsel
 2 from urllib import request
 3 import codecs
 4 
 5 from itWords.bean.KeyWords import KeyWords
 6 from itWords.Oranpick import Oranpick
 7 
 8 # [ 连续网页爬取的对象 ]
 9 from itWords.ToolToMakeHighWords import ToolToMakeHighWords
10 
11 
12 class Surapity:
13     page = 1
14     headers = {
15         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.75 Safari/537.36'}
16     basicURL = ""
17     oran = ""
18 
19     # ---[定义构造方法]
20     def __init__(self):
21         self.page = 1
22         self.basicURL = "https://news.cnblogs.com/"
23         self.oran = Oranpick("https://start.firefoxchina.cn/")
24 
25     def __close__(self):
26         self.oran.__close__()
27 
28     def __next__(self):
29         self.page = self.page + 1
30         self.basicURL = 'https://news.cnblogs.com/n/page/'+str(self.page)+'/'
31 
32     # 获取 url 的内部 HTML 代码
33     def getHTMLText(self):
34         req = request.Request(url=self.basicURL, headers=self.headers)
35         r = request.urlopen(req).read().decode()
36         return r
37 
38     # 获取页面内的基本链接
39     def getMop(self,filePath):
40         index_html = self.getHTMLText()
41         index_sel = parsel.Selector(index_html)
42         links = index_sel.css(".news_entry a::attr(href)").extract()
43         size = links.__len__()
44         for i in range(0,size):
45             link = "https://news.cnblogs.com"+links[i]
46             self.oran.__reset__(link)
47             news = self.oran.getNews()
48             ttm = ToolToMakeHighWords(news.getSimple())
49             words = ttm.getHighWords(ttm.getWords(False,False))
50             leng = words.__len__()
51             # 频数 要在 15次 以上
52             for i in range(0,leng):
53                 if words[i][1]<=15:
54                     break
55                 keyw = KeyWords(word=words[i][0],link=link,num=words[i][1])
56                 keyw.__toFile__(filePath)
Surapity.py
 1 import parsel
 2 import time
 3 from selenium import webdriver
 4 
 5 from itWords.basic import StrSpecialDealer
 6 from itWords.bean import News
 7 
 8 
 9 # [ 一次性网页爬取的对象 ]
10 
11 
12 class Oranpick:
13     basicURL = ""
14     profile = ""
15 
16     # ---[定义构造方法]
17     def __init__(self, url):
18         self.basicURL = url
19         self.profile = webdriver.Firefox()
20         self.profile.get("https://account.cnblogs.com/signin?returnUrl=https%3A%2F%2Fnews.cnblogs.com%2Fn%2F654191%2F")
21         self.profile.find_element_by_id("LoginName").send_keys("youraccount")
22         self.profile.find_element_by_id("Password").send_keys("yourpassword")
23         time.sleep(2)
24         self.profile.find_element_by_id("submitBtn").click()
25         # 给予 15s 的验证码人工验证环节
26         time.sleep(15)
27         self.profile.get(url)
28 
29     # 重新设置
30     def __reset__(self,url):
31         self.basicURL = url
32         self.profile.get(url)
33 
34     # ---[定义释放方法]
35     def __close__(self):
36         self.profile.quit()
37 
38     # 获取 url 的内部 HTML 代码
39     def getHTMLText(self):
40         a = self.profile.page_source
41         return a
42 
43     # 获取基本数据
44     def getNews(self):
45         index_html = self.getHTMLText()
46         index_sel = parsel.Selector(index_html)
47         context = index_sel.css('#news_title a')[0].extract()
48         context = StrSpecialDealer.getReaction(context)
49         context = StrSpecialDealer.simpleDeal(context)
50         conform = index_sel.css('#news_body')[0].extract()
51         conform = StrSpecialDealer.deleteRe(conform)
52         conform = StrSpecialDealer.simpleDeal(conform)
53         news = News(title=context, info=conform, link=self.basicURL)
54         return news
Oranpick.py

    整理完成,接下来还会改代码的,上面的 basic 包应该是不会改了。

  2、重写 Bean 相关的基础类,并重新爬取(可记录标题)

     需要将表示 标题 的 title 属性加到 KeyWords 类中,并修改 init 初始化方法 和 toString 转性方法:

 1 import codecs
 2 
 3 
 4 class KeyWords:
 5     # 热词
 6     word = ""
 7     # 对应链接
 8     link = ""
 9     # 频数
10     num = 0
11     # 链接标题
12     title = ""
13 
14     def __init__(self,word,link,num,title):
15         self.word = word
16         self.link = link
17         self.num = num
18         self.title = title
19 
20     # 整理成 一行 字符串
21     def __toString__(self):
22         return self.word +"\t"+str(self.num)+"\t"+self.title+"\t"+self.link
23 
24     # 将 自动整理好的字符串 带换行符 追加 到文件后
25     def __toFile__(self,filePath):
26         f = codecs.open(filePath, "a+", 'utf-8')
27         f.write(self.__toString__() + "\n")
28         f.close()
KeyWords.py

    之后找到引用 KeyWords 的地方,也就是 Surapity 类的 getMop() 方法,将  keyw = KeyWords(word=words[i][0],link=link,num=words[i][1])   一句改成 

  keyw = KeyWords(word=words[i][0],link=link,num=words[i][1],title=news.title) ,修改完成后:

 1 import parsel
 2 from urllib import request
 3 import codecs
 4 
 5 from itWords.bean.KeyWords import KeyWords
 6 from itWords.Oranpick import Oranpick
 7 
 8 # [ 连续网页爬取的对象 ]
 9 from itWords.ToolToMakeHighWords import ToolToMakeHighWords
10 
11 
12 class Surapity:
13     page = 1
14     headers = {
15         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.75 Safari/537.36'}
16     basicURL = ""
17     oran = ""
18 
19     # ---[定义构造方法]
20     def __init__(self):
21         self.page = 1
22         self.basicURL = "https://news.cnblogs.com/"
23         self.oran = Oranpick("https://start.firefoxchina.cn/")
24 
25     def __close__(self):
26         self.oran.__close__()
27 
28     def __next__(self):
29         self.page = self.page + 1
30         self.basicURL = 'https://news.cnblogs.com/n/page/'+str(self.page)+'/'
31 
32     # 获取 url 的内部 HTML 代码
33     def getHTMLText(self):
34         req = request.Request(url=self.basicURL, headers=self.headers)
35         r = request.urlopen(req).read().decode()
36         return r
37 
38     # 获取页面内的基本链接
39     def getMop(self,filePath):
40         index_html = self.getHTMLText()
41         index_sel = parsel.Selector(index_html)
42         links = index_sel.css(".news_entry a::attr(href)").extract()
43         size = links.__len__()
44         for i in range(0,size):
45             link = "https://news.cnblogs.com"+links[i]
46             self.oran.__reset__(link)
47             news = self.oran.getNews()
48             ttm = ToolToMakeHighWords(news.getSimple())
49             words = ttm.getHighWords(ttm.getWords(False,False))
50             leng = words.__len__()
51             # 频数 要在 15次 以上
52             for i in range(0,leng):
53                 if words[i][1]<=15:
54                     break
55                 keyw = KeyWords(word=words[i][0],link=link,num=words[i][1],title=news.title)
56                 keyw.__toFile__(filePath)
Surapity.py

    之后,在 process 编写 过程文件 paData.py 重新爬取

 1 from itWords.Surapity import Surapity
 2 from itWords.basic.StringWriter import StringWriter
 3 
 4 
 5 def main():
 6     filepath = "../../testFile/rc/news.txt"
 7     s = Surapity()
 8     StringWriter(filepath).makeFileNull()
 9     s.getMop(filepath)
10     s.__next__()
11     s.getMop(filepath)
12     while s.page <= 100:
13         s.__next__()
14         s.getMop(filepath)
15     s.__close__()
16 
17 
18 main()
paData.py

    爬取得到结果如下:

    

  3、简单的数据导入(附带sql文件)

     在MySql中,重新建立 words 表:

      

     准备 Insert 语句,修改 fileR.py ,并执行:

 1 import codecs
 2 
 3 
 4 def makeSql():
 5     file_path = "../../testFile/rc/words_sql.txt"
 6     f = codecs.open(file_path, "w+", 'utf-8')
 7     f.write("")
 8     f.close()
 9 
10     fw = open("../../testFile/rc/news.txt", mode='r', encoding='utf-8')
11     tmp = fw.readlines()
12 
13     num = tmp.__len__()
14 
15     for i in range(0,num):
16         group = tmp[i].split("\t")
17         group[0] = "'" + group[0] + "'"
18         group[3] = "'" + group[3][0:group[3].__len__()-1] + "'"
19         f = codecs.open(file_path, "a+", 'utf-8')
20         f.write("Insert into words values ("+group[0]+","+group[1]+",'"+group[2]+"',"+group[3]+");"+"\n")
21         f.close()
22 
23 makeSql()
fileR.py

    之后,进入数据库,选择新建查询,输入 testFile/rc/words_sql.txt 文件内的sql语句,并予以执行

    使用上次建视图的代码重新建立视图(也可以建成新表)名称:keywords,如图:

      

     Sql 文件下载地址:https://files.cnblogs.com/files/onepersonwholive/words.zip

  4、解释修复——重新利用 百度百科 进行解释性文字爬取

    先使用 Navicat 导出 keywords 表,设置 \t 为列间隔,\n 为行间隔,导出 txt 文件(不要文本限定符)

    

    之后,将此文件剪切到 testFile/rc/keywords.txt 处

    编写新的Bean类 ExplainThings:

 1 class ExplainThings:
 2     # --- [ 方法域 ]
 3     # 初始化
 4     def __init__(self,word,exp,num):
 5         self.word = word
 6         self.num = num
 7         self.exp = exp
 8 
 9     # 整理成 一行 字符串
10     def __toString__(self):
11         return self.word + "\t" + str(self.num) + "\t" + self.exp
12 
13     # 整理成 Insert 语句
14     def __toSql__(self):
15         return "Insert into keywords VALUES ('"+self.word+"',"+str(self.num)+",'"+self.exp+"');"
16 
17     # --- [ 属性域 ]
18     # 热词
19     word = ""
20     # 解释
21     exp = ""
22     # 频数
23     num = 0
ExplainThings.py

    之后将老代码,进行整合和修改

 1 from itWords.WebConnector import WebConnector
 2 from itWords.basic.StrSpecialDealer import StrSpecialDealer
 3 from itWords.basic.StringWriter import StringWriter
 4 from itWords.bean.ExplainThings import ExplainThings
 5 
 6 wc = WebConnector()
 7 sw = StringWriter("../../testFile/rc/moreinfo.txt")
 8 
 9 sw.makeFileNull()
10 
11 fw = open("../../testFile/rc/keywords.txt", mode='r', encoding='utf-8')
12 lines = fw.readlines()
13 
14 num = lines.__len__()
15 print(num)
16 for i in range(0, num):
17     print(str(i))
18     str_line = lines[i]
19     gr = str_line.split("\t")
20     name_b = StrSpecialDealer.simpleDeal(gr[0])
21     num_b = StrSpecialDealer.simpleDeal(gr[1])
22     wc.__reset__()
23     wc.getMore(name_b)
24     more_b = wc.getFirstChanel()
25     ex = ExplainThings(word=name_b,exp=more_b,num=num_b)
26     sw.write(ex.__toSql__())
27 
28 wc.__close__()
paExplain.py

    爬取得到Insert数据以后,将keywords表删掉(或视图),新建 keywords表,将 Insert文件执行一边

      

     最终得到数据,如图所示:

  5、jsp实现热词的信息展示(附带 按照 词频或热词拼写 的 顺序或逆序 排序)——先显示单页30条数据

     紧赶慢赶,写了展示部分,这还需要进一步的改造,今天时间不多了,还要抓紧时间赶另一项任务呢!

     先设置每一页30个数据,数据横向显示好像有点儿不妥,竖向感觉也不太合适啊!页面跳转交给明天的我来写。

  6、将链接写到每一个对应热词当中去

     实现了点击 “详细信息”链接可以跳转页面至单个热词的页面

 

     总算是在2月3号以前写完了,呼!明天整理页面的问题!

posted @ 2020-02-02 00:54  初等变换不改变矩阵的秩  阅读(693)  评论(3编辑  收藏  举报