Python爬蟲-MongoDB

有態度地學習

上一份的推送是關於QQ音樂全部評論的獲取，這一次講講QQ音樂精彩評論的獲取。翻了一下QQ音樂熱歌排行榜上的歌，發現QQ音樂熱評多的歌很少，全部評論和網易雲音樂比起來也挺寒磣的，只能說網易雲不愧是文藝小青年的彙集地。不過不能由於評論少就不爬了，見面就是莽，不虛。

經過本次爬取，學習了非關係型數據庫，文檔型數據庫MongoDB。另外公衆號的排版也變的更加美觀了，尤爲是底部多了推薦閱讀和掃碼關注。在借鑑其餘公衆號的排版以後，用本身半吊子的PPT水平作了底部的照片，喜歡的能夠點個贊呀！

就目前的瞭解，MongoDB的優勢：無需設置固定結構(嵌套)，也沒必要考慮數據類型匹不匹配，對數據的可操做性也更大。這回也是同樣在Mac上操做，在Mac上安裝了MongoDB以及MongoDB的可視化工具Robo 3T，Robo 3T做爲一款免費輕量級GUI，簡單且易上手。

建立數據庫，表格及插入數據。

import pymongo

client = pymongo.MongoClient(host='localhost', port=27017)
db = client.QQ_Music
collection = db.comments

comments = {
    "nike": "꧁༺詩光༻꧂",
    "comment": "釋迦摩尼說 :不管你碰見誰， 他都是你生命中該出現的人 ，絕非偶然。",
    "praisenum": "7817",
    "comment_id": "song_7072290_1772758010_1486708168",
    "time": "2017-02-10 14:29:28"
}

result = collection.insert(comments)
print(result)

針對QQ音樂中平凡之路的網頁進行分析，經過不斷點擊加載更多，發現了請求網址的變化參數：pagenum、jsoncallback。經過上期的爬取，咱們知道jsoncallback對於請求是沒有影響的，因此這回更簡單，只需改變頁碼便可。而lasthotcommentid則是第一頁精彩評論的最後一個ID，短期內基本不變。

平凡之路精彩評論一共有624條。每個請求頁10條數據，第一頁例外，有15個，可是最後卻只獲取了595條，這是由於評論中有追評的，沒有原創評論，因此直接剔除，固然還有評論已經刪除的，直接就沒有評論信息了。

爬取代碼以下：

import re
import json
import time
import pymongo
import requests

client = pymongo.MongoClient(host='localhost', port=27017)
db = client.QQ_Music
collection = db.comments

def get_html(url, headers):
    try:
        response = requests.get(url=url, headers=headers)
        response.raise_for_status()
        response.encoding = 'utf-8'
    except requests.HTTPError:
        print("connect failed")
    return response

def parse_html(html):
    data = {}
    content = json.loads(html[30:-3])
    for item in content['comment']['commentlist']:
        if item.get("rootcommentcontent"):
            data["nike"] = item.get("nick")
            data["comment"] = re.sub(r"\\n", " ", item.get("rootcommentcontent"))
            data["_id"] = (re.sub(r"\n", " ", data["comment"]))
            data["comment"] = (re.sub(r"\n", " ", data["comment"]))
            data["praisenum"] = item.get("praisenum")
            data["commentid"] = item.get("commentid")
            data["time"] = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(int(item.get("time"))))
            yield data

def to_mongodb(data):
    try:
        collection.insert(data)
        print("Insert the data successfully", data)
    except:
        pass

def main():
    for i in range(63):
        url = 'https://c.y.qq.com/base/fcgi-bin/fcg_global_comment_h5.fcg?g_tk=5381&jsonpCallback=jsoncallback05763744516059277&loginUin=0&hostUin=0&format=jsonp&inCharset=utf8&outCharset=GB2312¬ice=0&platform=yqq&needNewCode=0&cid=205360772&reqtype=2&biztype=1&topid=7072290&cmd=6&needmusiccrit=0&pagenum=%s&pagesize=10&lasthotcommentid=song_7072290_2856798698_1489491834&callback=jsoncallback05763744516059277&domain=qq.com&ct=24&cv=101010' %i
        headers = {'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}
        time.sleep(2)
        response = get_html(url, headers)
        for item in parse_html(response.text):
            to_mongodb(item)

if __name__ == '__main__':
    main()
    print("Finish The Work")

最後成功獲取評論信息

讀取MongoDB中評論數據，生成詞雲

from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator
import matplotlib.pyplot as plt
import pandas as pd
import pymongo
import jieba
import re

client = pymongo.MongoClient('localhost', 27017)
db = client.QQ_Music
table = db.comments
data = pd.DataFrame(list(table.find()))
data = data[['comment']]

text = ''
for line in data['comment']:
    r = '[a-zA-Z0-9’!"#$%&\'()*+,-./:;<=>?@，。?★、…【】《》？「」‘’！[\\]^_`{|}~]+'
    line = re.sub(r, '', line)
    text += ' '.join(jieba.cut(line, cut_all=False))
backgroud_Image = plt.imread('luck.jpg')
wc = WordCloud(
    background_color='white',
    mask=backgroud_Image,
    font_path='msyh.ttf',
    max_words=2000,
    stopwords=STOPWORDS,
    max_font_size=130,
    random_state=30
)
wc.generate_from_text(text)
img_colors = ImageColorGenerator(backgroud_Image)
wc.recolor(color_func=img_colors)
plt.imshow(wc)
plt.axis('off')
wc.to_file("幸運.jpg")
print("生成詞雲成功")

幸運.jpg

··· END ···