python分析qq聊天记录

一、任务目标

           本实验主要是根据导出的qq群聊天记录，做一个简单的数据提取和可视化操作，比较简单而且贴合现实生活。

二、环境以及所需的安装包

           环境：    win10+python3

           安装包：

import re
import datetime
import matplotlib.pyplot as plt
import jieba
from wordcloud import WordCloud,STOPWORDS
import seaborn as sns
from PIL import Image
import numpy as np

三、实验过程

        1.预准备

           先看我们的材料：qq聊天群记录txt格式（图1）；我们的目标：消息不同时段的可视化以及词云的制作（图2）

​​​​​​图1

 

图2

        2.具体实现     

           先做Days和WeekDays的表格，这两者都会使用聊天信息里边时间的那一部分，写在一起比较方便。代码如下：

#做Days（天）表格
def get_date(data):
	dates = re.findall(r'\d{4}-\d{2}-\d{2}',data)
	days = [date[-2:] for date in dates]
	plt.subplot(221)#最后的显示分为四部分，Days占第一部分
	sns.countplot(days)#days就是数据集，countplot统计days每一天的重复数量就是每一天聊天数目
	plt.title('Days')

	#isocalendar()ISO标准化日期，返回三个值的元组（年份，星期数week number，星期几weekday）星期一为1，星期天为7
	weekdays = [datetime.date(int(date[:4]),int(date[5:7]),int(date[-2:])).isocalendar()[-1]  for date in dates]
	plt.subplot(222)
	sns.countplot(weekdays)
	plt.title('WeekDays')

           然后做在一天24小时的分布图，这里的思路其实和上边差不多，稍微需要注意的就是小时的表示，在导出的聊天记录里边0-9时都只有一位数，而不是像00、01、02格式，所以匹配时稍有区别，代码如下：

#一天24h的图
def get_time(data):
	times = re.findall(r'\d+:\d{2}:\d{2}',data)
	hours = [time.split(":")[0] for time in times]#对每一个time分割出代表小时的那部分

	plt.subplot(223)
	#因为qq消息导出格式里，小时0-9是以个位形式出现，所以用个位的来对应
	sns.countplot(hours,order=['6','7','8','9','10','11','12','13','14','15','16','17','18','19','20','21','22','23','0','1','2','3','4','5'])
	plt.title("Hours")

         接着是词云的制作，包括了两个函数，一个是准备data，一个是制作词云。流程就是：先匹配出消息内容，然后jieba将data分割，最后使用wordcloud制作出来。代码：

#词云制作
def get_wordcloud(text_data):
	word_list = [" ".join(jieba.cut(sententce)) for sententce in text_data]
	new_text = ' '.join(word_list)
	#背景图片的设置，我这里设置了一个小黄人图片
	pic = Image.open('123.jpg')
	mang_mask = np.array(pic)

	plt.subplot(224)
	wordcloud = WordCloud(
		background_color="white",
		font_path = '/home/shen/Downloads/fonts/msyh.ttc',
		mask = mang_mask,
		stopwords = STOPWORDS,).generate(new_text)
	plt.imshow(wordcloud)
	plt.axis('off')

#匹配文本内容，调用上一个函数
def get_content(data):
	pa = re.compile(r'\d{4}-\d{2}-\d{2}.*?\d+:\d{2}:\d{2}.*?\n(.*?)\n\n',re.DOTALL)
	content = re.findall(pa,data)
	get_wordcloud(content)

          最后就是主函数调用了：

def main():
	filename = "228.txt"
	#encoding一下，防止乱码
	with open(filename,encoding="UTF-8") as f:
		data = f.read()
	get_date(data)
	get_time(data)
	get_content(data)
	plt.show()

if __name__ == '__main__':
	main()