爬取《恋爱的犀牛》豆瓣网书摘

廖一梅《恋爱的犀牛》是我很爱的一本小说

所以这次大作业，我选择爬取豆瓣网书摘，并以此生成词云，完成可视化

首先爬取网页信息：

https://www.douban.com/note/26888474/

 

 

我遇到的第一个问题就是网页拒绝访问，参考了教员发在群里的那篇博文，最后成功访问

 

 

 

 第二个问题就是我爬下来的信息混杂着中文英文和各种奇怪的字符：

 

 于是我使用了chinese_only = ''.join(x for x in text if ord(x) > 256)语句进行筛选：

 

 还剩下汉字和字符

接下来就是使用jieba分词和word cloud生成词云的过程

为了使词云更美观，我使用了从网上下载的汉仪小麦简体，背景图是一只猫猫的形状

第一次生成的词云如下：

 

 可见其中有许多的废词  “豆瓣”  “什么” ……

于是在stopwords字典当中添加出不需要显示的词汇

修改后效果如下：

 

 献上源代码：

 

 

# -*- coding: utf-8 -*-
"""
Created on Fri May  1 08:27:02 2020

@author: 123
"""
import wordcloud
import jieba
from bs4 import BeautifulSoup
import requests
url="https://www.douban.com/note/26888474/"
headers={'User-Agent':"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36"}
r=requests.get(url,headers=headers)
demo=r.text
soup=BeautifulSoup(demo,'html.parser').decode('utf-8')
text=soup
chinese_only = ''.join(x for x in text if ord(x) > 256)

from imageio import imread
mask = imread("C:/Users/123/Desktop/miaomiao.jpg")
excludes = {'豆瓣','什么','东西'}


ls = jieba.lcut(chinese_only)
txt = " ".join(ls)
w = wordcloud.WordCloud(font_step=2,width = 1000, height = 700,\
                        background_color = "white",mask = mask,\
                        stopwords=excludes,font_path='C:/Users/123/Desktop/汉仪小麦体简.ttf')
w.generate(txt)
w.to_file("恋爱的犀牛.png")