财经热词：Python 爬取金十数据首页，并生成词云本机环境为 python 3.6 ，发现有些库如 wordcloud

背景

用 Python 的 requests 模块爬取金十数据首页中间部分的资讯信息，练习了两种处理过程：写入 MySQL 数据库和词云分析，对比之下 Python 几行代码就能完成 MySQL入库，真是太简洁了！

环境准备

用到的 python 库有：

PIL
jieba
requests
wordcloud
pymysql

本机环境为 python 3.6 ，发现有些库如 wordcloud 使用 pip install moduleName 命令安装会失败，不能做到百分百正确安装。找到一个 windows python 库下载地址，可以通过下载 whl 到本地、使用 pip install xxx.whl 进行模块安装。

在该地址上下载模块的安装文件之前，需要确定版本，即根据本机 Python 的版本 + 操作系统的位数确定下载链接。例如，要确定 wordcloud 下载版本，则先在 cmd 下输入 python 命令：在这里插入图片描述然后选择 Python 3.6 和 window 32 位的下载地址：

爬虫参数分析

用浏览器访问金十数据首页后，点击“加载更多”，分析网络请求的有效数据路径得到这几个：在这里插入图片描述 “加载更多” 点击事件会发送两个相同 URL 的请求，第一个使用方法 Options ，响应码为 204，第二个是有效地址，同时查询参数和请求头域为右侧圈起来的部分。

“加载更多”，这个请求每次是以上一次的最后一条数据的 time 值加上几秒为新一轮查询参数的，它实际就是当前查询到的时间点。编码可以构造一个循环爬虫的过程，在循环体中修正 max_time 参数即可。

爬取数据并入库功能

1.创建一个 MySQL 数据库表

DROP TABLE IF EXISTS `jin10_data`;
CREATE TABLE `jin10_data` (
  `id` varchar(50) DEFAULT NULL,
  `time` varchar(20) DEFAULT NULL,
  `content` longtext
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

2.分析响应数据 响应数据是一个 JSON 格式的字符串，真正的数据在 data 属性中，基本 JSON 信息为：

{
    "status": 200, 
    "message": "OK", 
    "data": [
        {
            "id": "20190812082759520100", 
            "time": "2019-08-12 08:27:59", 
            "type": 0, 
            "data": {
                "pic": "", 
                "content": "新西兰财政部：预计资产购买计划是一项效用较低的工具。"
            }, 
            "important": 0, 
            "tags": [ ], 
            "channel": [
                1
            ], 
            "remark": null
        }
    ]
 }

那么需要处理的重要数据就是 response['data'] ，用 type 函数打印它的类型，得知它的类型是 list ，遍历列表、解析每个元素的 id、time 、content 即可。

3.编写爬虫代码

import requests
import pymysql

##定义数据表存储函数
def save(conn,cur,id,time,content):
	sql = '''
	insert into jin10_data(id,time,content)
	    values(%s,%s,%s);
	'''
	try:
		B = cur.execute(sql,(id,time,content))
		conn.commit()
		#print('insert ok')
	except:
		print('error')

##爬虫获取页面数据
url="https://flash-api.jin10.com/get_flash_list"
header={
    "x-app-id":"SO1EJGmNgCtmpcPF",
    "x-version":"1.0.0",
   }

queryParam={
    "max_time":"2019-08-12 14:18:48",
    "channel":"-8200",
}

##创建数据库连接对象
conn = pymysql.connect(host='127.0.0.1', user='root', password='123456', db='python_data',charset="utf8")
cur = conn.cursor()

##循环爬取并插入数据：结束条件是爬不到数据为止
totalCount = 0
Data=requests.get(url,queryParam,headers=header).json()['data']
length = len(Data)
while(length>0):
	for i in range(length) :
		try:

			tempTime = Data[i]['time']
			tempId = Data[i]['id']
			tempContent = Data[i]['data']['content']
			save(conn,cur,tempId,tempTime,tempContent)
		except:
			print('error')

	totalCount+=length
	
	#修正下一个查询时间
	queryParam['max_time'] = Data[length-1]['time']
	print ('next queryParam is',queryParam['max_time'])

	#再请求一次数据
	Data=requests.get(url,queryParam,headers=header).json()['data']
	length = len(Data)
	
### 完成后释放链接
cur.close()
conn.close()

print('all ok,totalCount is:',totalCount)

4.运行结果 运行该脚本，可以一直爬取该网站的数据信息，直到响应数据长度为 0 、结束循环，查询入库结果为：在这里插入图片描述

生成词云

1.准备工作 需要准备字体和词云底图文件，找一个本地字体文件，如宋体 simsun.ttc ，再放一张图片作为词云底图 mask.png。

2.编码 循环爬取 500 条数据后，对 content 信息分词并生产词云图片，完整代码如下：

import jieba.analyse
from PIL import Image,ImageSequence
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud,ImageColorGenerator

##文件内容读取器：用字符串的累加，不能太大，否则应该会有内存问题吧。
newsContent= ''

import requests
##爬虫获取页面数据
url="https://flash-api.jin10.com/get_flash_list"
header={
    "x-app-id":"SO1EJGmNgCtmpcPF",
    "x-version":"1.0.0",
   }
queryParam={
    "max_time":"2019-08-12 14:18:48",
    "channel":"-8200",
}

Data=requests.get(url,queryParam,headers=header).json()['data']
totalCount = 0
length = len(Data)
while(totalCount<500):
	for i in range(length) :
		try:
			tempContent = Data[i]['data']['content']
			newsContent+=tempContent
		except:
			print('error')

	totalCount+=length
	
	#修正下一个查询时间
	queryParam['max_time'] = Data[length-1]['time']
	print ('next params is',queryParam['max_time'])

	#再请求一次数据
	Data=requests.get(url,queryParam,headers=header).json()['data']
	length = len(Data)
	
###关键词分析
result=jieba.analyse.textrank(newsContent,topK=50,withWeight=True)
keywords = dict()
for i in result:
    keywords[i[0]]=i[1]
print(keywords)

###生成词云图片
image= Image.open('./mask.png')
graph = np.array(image)
wc = WordCloud(font_path='./simsun.ttc',background_color='White',max_words=50,mask=graph)
wc.generate_from_frequencies(keywords)
image_color = ImageColorGenerator(graph)
plt.imshow(wc)
plt.imshow(wc.recolor(color_func=image_color))
plt.axis("off")
plt.show()
wc.to_file('finacial.png')

3.运行结果 运行该脚本，得到一张财经新闻的词云图：在这里插入图片描述

编程启示录

编码过程中的小问题整理： 1）打印一个数据的类型使用 type(data) 2）class list 类型，获取其长度用 len(alist) 方法 3）循环遍历用 for i in range(length) 4）Python 分模块、分文件怎么引用呢？定义在不同文件中，文件名即为模块名，再 import 文件名（不含.py 后缀）调用模块名.function() 5）Python 函数定义必须放在前面，使用在后面，否则会报函数未定义异常。 6）windows 下 Python 库函数安装文件下载地址来手动安装，可以解决 pip 自动安装老是出错的问题。 7）数据库操作：三四行代码的事情，比 Java 容易多了。 8）由于每次查询的 max-time 是上次的最后一条记录的时间，所以爬虫两次爬虫会有一条相同记录，这个参数应该稍微调整一下，累加几秒以错开重叠的记录。

参考附录

1.词云生成参考链接 2.金十数据爬虫练习