爬取微博评论并存入MySQL，并对评论进行情感分析以及词云的绘制

参考：https://blog.youkuaiyun.com/weixin_42555080/article/details/88363040

1. 爬取微博评论

1.1 网页解析

从经验来讲，爬取难度：微博网页端>手机端，参考 Blessy_Zhu.提出的方法，这里对微博移动端：htps://m.weibo.cn 进行爬取。

单从界面上来讲就能看出爬取的难度了。下面选择一条感兴趣的微博，我选择的链接为：https://weibo.cn/comment/JcgPYxrNf?uid=1713926427

右键检查，进入开发者工具，选择 network 面板，我们就得到了需要的信息

1.2 爬取评论

import requests
import re
import time
def get_one_page(url):#请求函数：获取某一网页上的所有内容
    headers = {
    'User-agent' : 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36',
    'Host' : 'weibo.cn',
    'Accept' : 'application/json, text/plain, */*',
    'Accept-Language' : 'zh-CN,zh;q=0.9',
    'Accept-Encoding' : 'gzip, deflate, br',
    'Cookie' : '你的cookie',
    'DNT' : '1',
    'Connection' : 'keep-alive'
     }#请求头的书写，包括User-agent,Cookie等
    response = requests.get(url,headers = headers,verify=False)#利用requests.get命令获取网页html
    if response.status_code == 200: #状态为200即为爬取成功
        return response.text#返回值为html文档，传入到解析函数当中
    return None
    
#解析html并存入到文档result.txt中
def parse_one_page(html): 
    pattern = re.compile('<span class="ctt">.*?</span>', re.S)
    items = re.findall(pattern,html)
    result = str(items)
    with open('test.txt','a',encoding='utf-8') as fp:
        fp.write(result)

# 当超过50页就不在获取新的评论了 所以就设为50
for i in range(50):
    url = "https://weibo.cn/comment/JcgPYxrNf?uid=1713926427&rl=0&&page="+str(i)
    html = get_one_page(url)
    print(html)
    print('正在爬取第 %d 页评论' % (i+1))
    parse_one_page(html)
    time.sleep(3)

test.txt内容：

2. 处理数据并存入数据库

下面要从爬取到的内容解析出评论，并把它们存入数据库

import re
import pandas as pd
import pymysql
import emoji

# 连接数据库
conn = pymysql.connect(
    host='127.0.0.1',
    port=3306,
    user='root',
    passwd='数据库密码',
    db='weibo',  # 数据库名
    charset='utf8',
)
cursor = conn.cursor()

with open("/Users/guo/Desktop/爬虫/微博爬取评论数据_新参数/test.txt", "r") as f:  # 打开文件
    content = f.read()  # 读取文件

rawResults = re.findall(">.*?<",content,re.S)
firstStepResults  = []
for result in rawResults:
    #print(result)
    if ">\'][\'<"  in result:
        continue
    if ">:<"  in result:
        continue
    if "><"  in result:
        continue
    if ">回复<"  in result:
        continue
    if "><"  in result:
        continue
    if ">\', \'<"  in result:
        continue
    if "@"  in result:
        continue
    if "> <"  in result:
        continue
    else:
        result = emoji.demojize(result)    # 去除评论中的表情包
        a = re.findall('[\u4e00-\u9fa5a-zA-Z0-9]+', result, re.S)  # 只要字符串中的中文，字母，数字
        a = "".join(a)
        firstStepResults.append(a)
subTextHead = re.compile(">")
subTextFoot = re.compile("<")

i = 0
for lastResult in firstStepResults:
    resultExcel1 = re.sub(subTextHead, '', lastResult)
    resultExcel = re.sub(subTextFoot, '', resultExcel1)
    sql = "insert into pinglun1(pinglun) values(%s)"  # pinglun1：表明  pinglun：列名
    cursor.execute(sql, resultExcel)

    with open('result.txt', 'a') as f:  # 'a'表示append,即在原来文件内容后继续写数据（不清楚原有数据）
        f.write(resultExcel)

    print(i,resultExcel)
    i+=1

f.close()
cursor.close()
conn.commit()
conn.close()

注意，评论中会出现表情，存入数据库是会出现问题，用以下方法过滤：

result = emoji.demojize(result)    # 去除评论中的表情包

是数据库的操作是，创建一张表pinglun1，定义列名pinglun
运行结果：
result.txt：

3. 提取数据

def readmysql(): #读取数据库
    textlist = []
    conn =pymysql.connect(host='127.0.0.1',
                          user='root',
                          password='密码',
                          db = 'weibo',
                          charset="utf8")    #连接服务器
    with conn:
        cur = conn.cursor()
        cur.execute("SELECT * FROM pinglun1")
        rows = cur.fetchall()
        for row in rows:
            a = list(row)
            textlist.append(a)
    return textlist

使用fetchall()提取出来的数据是元组，我们用list(row)转为列表形式

4. 情感分析

def snowanalysis(textlist):
    sentimentslist = []
    for li in textlist:
        li = str(li)
        s = SnowNLP(li)
        sentimentslist.append(s.sentiments)
    fig1 = plt.figure("sentiment")
    plt.hist(sentimentslist,bins=np.arange(0,1,0.02))
    plt.show()   # 当值大于0.5时代表句子的情感极性偏向积极，当分值小于0.5时，情感极性偏向消极

显示结果：
大部分的评论还是比较偏向中立的，并且积极的评论也要多于消极评论，说明在2020的上半年，尽管经历了疫情、洪水等一系列的考验，但是大家还是对国家充满信心，对未来充满希望。

5. 绘制词云

def word2cloud(textlist):
    fulltext = ''
    isCN = 1
    back_coloring = imread("bjt.jpg")
    cloud = WordCloud(font_path='/System/Library/Fonts/Supplemental/Arial Unicode.ttf',
                      background_color="white",
                      max_words=2000,
                      mask=back_coloring,
                      max_font_size=100,
                      random_state=42,
                      width=1000,height=860,margin=2)
    for li in textlist:
        fulltext += ' '.join(jieba.cut(str(li),cut_all =False))  # str(li)一定要转为str格式
    wc = cloud.generate(fulltext)
    image_colors = ImageColorGenerator(back_coloring)
    plt.figure("wordc")
    plt.imshow(wc.recolor(color_func=image_colors))
    wc.to_file('评论词云.png')
    image_produce = cloud.to_image()
    image_produce.show()

运行结果：

结束

参考
[1]: https://blog.youkuaiyun.com/weixin_42555080/article/details/88363040