论如何知道一我的近年来关注了啥

任务背景：

爬取水木社区某位贴主在全部发帖版面的帖子，分析随时间变化，贴主关注话题的变化。

主要步骤：

1.爬取帖子

这部分的实现源码存于“水木爬虫”文件夹中，运行环境为python3。

1）获取发帖版面：首先是spiderman_007.py，在代码中可设置待爬的贴主id。以贴主VChart为例，运行可获得该贴主发帖的版面及该版面的页数，记录在文件中“VChart.txt”中，

关键代码：

 1 # 查找发贴版面并记录版面信息
 2 while page_num < url[topical]:
 3     content = get_url_content(now_url)
 4     page_num += 1
 5     page_str = str(page_num)
 6     now_url = base_url + page_str    # 构造爬虫的网页连接
 7     soup = BeautifulSoup(content, 'html.parser') # 用BeautifulSoup提取网页中的文本内容
 8     i = 0
 9     name = 'VChart'
10     while i < 20:
11         # 查找标签获取贴主id
12         new_name = soup.find_all("li")[i].next_element.next_sibling.next_element.next_element.next_element
13         
14         # 若查找到一条记录就记录信息并跳出循环进行下一版面的查找
15         if new_name == name:
16             f.write("\'" + topical + "\'" + ": " + str(url[topical]) + ", ")
17             i = 21
18             page_num = url[topical] + 1
19         elif new_name is None:
20             i = 21
21     i += 1

View Code

部分截图以下：

2）爬取帖子：根据Vchart.txt中的信息，运行spiderman.py可获得该贴主截至目前发布的帖子，记录在文件“VChart_texts.txt”中。

关键代码：

 1 # 爬取每一个版面的贴主的帖子并写入文件
 2 now_url = base_url + page_str    # 构造爬虫网页连接
 3 soup = BeautifulSoup(content, 'html.parser')    # 使用BeautifulSoup提取网页中的文本信息
 4 i = 0
 5 name = 'VChart'
 6 while i < 20:
 7     # 获取每一页全部的贴主id
 8     new_name = soup.find_all("li")[i].next_element.next_sibling.next_element.next_element.next_element
 9 
10     if new_name == name:
11         new_url = base_url_+soup.find_all("li")[i].next_element.next_element.get('href')
12         f.write(new_url)
13         f.write("\n")
14 
15         content_ = get_url_content(new_url)
16         soup1 = BeautifulSoup(content_, 'html.parser')
17         s = soup1.select(".sp")
18         f.write(s[2].previous_sibling()[0].get_text())
19         l = len(s)
20         j = 2
21         while j < l-2:
22             s1 = s[j].get_text()
23             j += 1
24             f.write(s1)
25         time.sleep(1)
26     i += 1

View Code

部分截图以下：

2.对帖子进行排序、分词、聚类

1）排序：对帖子按时间进行排序，运行sort_data.py可得VCharttexts_sorted.txt，

关键代码：

 1 # 根据一段帖子文本中的时间信息排序，返回一个list
 2 def list_sort(list1):
 3     pattern = re.compile("[0-9]{4}-[0-9]{2}-[0-9]{2} [0-9]{2}:[0-9]{2}:[0-9]{2}")
 4 
 5     print(list1)
 6     list2 = re.findall(pattern, str(list1))
 7     list3 = list(zip(list2, list1))
 8     list3 = sorted(list3, key=lambda item: item[0])
 9     list4 = []
10     for temp in list3:
11         list4.append(temp[1])
12     return list4

View Code

部分截图以下：

2）分词：将帖子按必定时间段分为不一样文件，以每年为一段为例，该贴主的帖子发帖时间为2004-2018年，共分为15个文件存于文档->VChart->time中，运行fenci_time.py能够获得每一段时间文档的分词及词频结果，存于time文件下。

关键代码：

 1 # 分词写并写入文件
 2 def segmented(file, text):
 3     ans = re.sub('[^\w\u4e00-\u9fff]+', "", text)  # 正则表达式过滤出汉字
 4     ans = "".join(ans.split())
 5     # seg_list = jieba.cut(ans)  # 精确模式（默认是精确模式）
 6     # print("[精确模式]: ", "/ ".join(seg_list))
 7     words = jieba.cut(ans, cut_all=False)
 8     word_freq = {}
 9     stopwords = stopwordslist('ting.txt')    # 去除停用词
10     for word in words:
11         if word in word_freq:
12             word_freq[word] += 1
13         else:
14             word_freq[word] = 1
15 
16     freq_word = []
17     for word, freq in word_freq.items():
18         freq_word.append((word, freq))
19     freq_word.sort(key=lambda x: x[1], reverse=True)

View Code

3）分词：运行fenlegeci.py能够获得对全部贴子进行分词、排序并统计词频的文件“fencihou.txt”。

4）取出无用词：将fencihou.txt文件中的内容复制到Excel中，须要手动删去一些无心义和体现不出贴主发贴话题的词，例如“中”“提到”“大做”“水木”等。

5）计算百分比：运行cout_frequency&percent.py能够根据5）、6）中获得的结果获得每一个词在每一个时间段的词频百分比，生成文件“统计.xls”。词频百分比=该词的词频÷该时间段全部词的词频总数×100%。

关键代码：

1 # Excel文件读写操做
2 readbook = xlrd.open_workbook(r'统计_all.xlsx')
3 sheet = readbook.sheet_by_name('Sheet1')
4 nrows = sheet.nrows
5 f = xlwt.Workbook(encoding='utf-8')
6 table = f.add_sheet('data')
7 
8 table.write(i, j, 0)
9 f.save("统计.xls")

View Code

部分截图以下：

6）生成.csv文件：在A1处填上“word”，将文件另存为“VChart时间词频百分比.csv”，即存为.csv格式的文件，注意编码方式要选择“UTF-8”。该文件能够被用于在weka软件中进行聚类。

7）聚类：打开weka->Explorer->Open file，选则打开6）中的csv文件。

选则Cluster，点击Choose选则SimpleKmeans算法进行聚类。

点击下图红框处能够设置KMeans相关参数。选则“Classes to clusters evaluation”并按“word”聚类，点击“Start”便可运行。

运行结束后，左下角会有运行记录，右键选则Save result buffer能够获得结果文件。

为了方便查看内容，推荐使用Notepad++打开文件。

8）获取聚类结果：weka的运行结果文件中有不少用不到的信息，运行clustering文件夹下的get_class_words.py文件能够获得每一类的词的信息，形式以下：

3.展现

对每一类词随时间变化的展现，主要参考了https://github.com/TangliziGit/ColumnsAnimation.git中的项目。

1）统计每一类词的词频百分比在各个时间段内的平均值，用于展现。

2）使用ColumnsAnimation->data中的getdata.py能够获得本身的展现数据的data.json文件。

3）在data.json文件开头添加“var TotalData=”并另存为“data.js”放在ColumnsAnimation目录下，打开animation.html便可看到展现效果。

例如，在2004年，各个话题的词频百分好比下：

在2005年，各个话题词频百分比变化为：

这两年里，贴主的最关注的话题由“军事科学”转向“模拟飞行”。对军事的爱好丝绝不减，只是转向了虚拟空间。同时，增长了对软件工程的关注度，与软件工程相关的电脑设备等话题关注度也有所提升，而且一如既地关注网络技术。

 

各话题词频变化统计展现至2018年，项目中的11-24.mp4为效果录屏文件，录屏效果以下：

 由图可看出从2004-2018年，随时间变化，经过聚类获得的贴主关注的10个话题的变化。

 

本项目地址：https://git.coding.net/Ruidxr/ShuiMu.git