Python数据可视化：平凡的世界

2024-06-02

点击 机器学习算法与Python学习 ，选择加星标

精彩内容不迷路

三十三年过去了，《平凡的世界》依然是中国人最爱看的书。

/ 01 / 网页分析

小说章节内容接口由上图可知。

第几部、第几章，遍历一遍就完事了。

这里主要是利用多线程进行爬取，

一方面是减少爬取时间，另一方面也是对多线程进行一波简单的学习。

通过Python的threading模块，实现多线程功能。

不过爬太快还是会遭封禁...

所以本次的代码不一定能完全成功，可以选择加个延时或者代理池。

这里人物情况是网上找的，相对来说还是比较完全的。

所以也爬下来，当词典用。

/ 02 / 数据获取

不使用多线程。

import os import time import requests from bs4 import BeautifulSoup # 初始时间 starttime = time.time() print(starttime) # 新建文件夹 folder_path = "F:/Python/Ordinary_world_1/" os.makedirs(folder_path) # 遍历 a = [ yi , er , san ] for i in a: for j in range(1, 55): headers = { User-Agent : Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 } url = + i + -bu- + str( %02d % j) + .html response = requests.get(url=url, headers=headers) # 设置编码格式 response.encoding = utf-8 soup = BeautifulSoup(response.text, lxml ) # 获取章节情况 h1 = soup.find( h1 ) print(h1.get_text()) # 获取段落内容 p = soup.find_all( p ) for k in p: if 下一章 in k.get_text(): break content = k.get_text().replace( S*锓 , ) filename = h1.get_text() + .txt with open( F:\Python\Ordinary_world_1\ + filename, a+ ) as f: try: f.write(content + ) except: pass f.close() # 结束时间 endtime = time.time() print(endtime) # 程序运行总时间 print(round(endtime-starttime, 2))

使用多线程的。

import os import time import requests import threading from bs4 import BeautifulSoup # 初始时间 starttime = time.time() # 新建文件夹 folder_path = "F:/Python/Ordinary_world" os.makedirs(folder_path) def download(sta, end): a = [ yi , er , san ] for i in a: for j in range(sta, end): headers = { User-Agent : Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 } url = + i + -bu- + str( %02d % j) + .html response = requests.get(url=url, headers=headers) # 设置编码格式 response.encoding = utf-8 soup = BeautifulSoup(response.text, lxml ) # 获取章节情况 h1 = soup.find( h1 ) print(h1.get_text()) # 获取段落内容 p = soup.find_all( p ) for k in p: if 下一章 in k.get_text(): break content = k.get_text() filename = h1.get_text() + .txt with open( F:\Python\Ordinary_world\ + filename, a+ ) as f: f.write(content + ) f.close() downloadThreads = [] for chap in range(1, 55, 6): downloadThread = threading.Thread(target=download, args=(chap, chap+6)) downloadThreads.append(downloadThread) downloadThread.start() # 等待所有线程结束 for downloadThread in downloadThreads: downloadThread.join() print( Down ) # 结束时间 endtime = time.time() # 程序运行总时间 print(round(starttime-endtime, 2))

使用多线程获取的小说内容。

按道理应该是162个文件，但是却只获取了149个。

这是多线程导致的并发问题吗？

即多个线程同时读写变量，导致互相干扰，进而发生并发问题。

最后发现并不是，而是编码出现了问题。

下图是不使用多线程获取的小说内容。

162个文件，确认过眼神，遇上对的人。

获取主要人物信息。

import re import requests from bs4 import BeautifulSoup headers = { User-Agent : Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 } url = response = requests.get(url=url, headers=headers) response.encoding = utf-8 soup = BeautifulSoup(response.text, lxml ) p = soup.find_all( p ) for i in p[7:-9]: if ： in i.get_text(): result = re.findall( 、(.*?)：, i.get_text()) name = result[0].replace( 二队队长 , ).replace( “神汉” , ).replace( 地主 , ).strip() with open( name.txt , a+ ) as f: f.write(name + ) f.close()

一共82个人物，还算是比较完整的。

计算人物出现频数。

import os # 汇总文本信息 for i in os.listdir( F:\Python\Ordinary_world_1 ): worldFile = open( F:\Python\Ordinary_world_1\ + i) worldContent = worldFile.readlines() for j in worldContent: with open( world1.txt , a+ ) as f: f.write(j) f.close() # 打开文件 file_text = open( world1.txt ) file_name = open( name.txt ) # 人物信息 names = [] for name in file_name: names.append(name.replace( , )) # 文本信息 content = [] for line in file_text: content.append(line) # 人物出现频数 data = [] for name in names: num = 0 for line in content: if name in line: num += 1 else: continue data.append((name, num)) # 生成字典 worddict = {} for message in sorted(data, key=lambda x: x[1], reverse=True): if message[1] == 0: pass else: worddict[message[0]] = message[1] print(worddict)

得到人物出现频数信息。

接下来便可以对人物数据进行词云可视化

/ 03 / 数据可视化

这里贴一张网上找的有关wordcloud的使用参数解释。

能够更好的生成一张好看的词云图。

class wordcloud.WordCloud( font_path=None, width=400, height=200, margin=2, ranks_only=None, prefer_horizontal=0.9, mask=None, scale=1, color_func=None, max_words=200, min_font_size=4, stopwords=None, random_state=None, background_color= black , max_font_size=None, font_step=1, mode= RGB , relative_scaling=0.5, regexp=None, collocations=True, colormap=None, normalize_plurals=True) ##参数含义如下： font_path : string //字体路径，需要展现什么字体就把该字体路径+后缀名写上，如：font_path = 黑体.ttf width : int (default=400) //输出的画布宽度，默认为400像素 height : int (default=200) //输出的画布高度，默认为200像素 prefer_horizontal : float (default=0.90) //词语水平方向排版出现的频率，默认 0.9 （所以词语垂直方向排版出现频率为 0.1 ） mask : nd-array or None (default=None) //如果参数为空，则使用二维遮罩绘制词云。如果 mask 非空，设置的宽高值将被忽略，遮罩形状被 mask 取代。除全白（#FFFFFF）的部分将不会绘制，其余部分会用于绘制词云。 scale : float (default=1) //按照比例进行放大画布，如设置为1.5，则长和宽都是原来画布的1.5倍。 min_font_size : int (default=4) //显示的最小的字体大小 font_step : int (default=1) //字体步长，如果步长大于1，会加快运算但是可能导致结果出现较大的误差。 max_words : number (default=200) //要显示的词的最大个数 stopwords : set of strings or None //设置需要屏蔽的词，如果为空，则使用内置的STOPWORDS background_color : color value (default=”black”) //背景颜色，如background_color= white ,背景颜色为白色。 max_font_size : int or None (default=None) //显示的最大的字体大小 mode : string (default=”RGB”) //当参数为“RGBA”并且background_color不为空时，背景为透明。 relative_scaling : float (default=.5) //词频和字体大小的关联性 color_func : callable, default=None //生成新颜色的函数，如果为空，则使用 self.color_func regexp : string or None (optional) //使用正则表达式分隔输入的文本 collocations : bool, default=True //是否包括两个词的搭配

我主要是设置了文本的字体、颜色、排版方向。

更多信息详见上面，希望你也能做出一样好看的词云图。

不再是那么的不堪入目...

from wordcloud import WordCloud import matplotlib.pyplot as plt import numpy as np import random # 设置文本随机颜色 def random_color_func(word=None, font_size=None, position=None, orientation=None, font_path=None, random_state=None): h, s, l = random.choice([(188, 72, 53), (253, 63, 56), (12, 78, 69)]) return "hsl({}, {}%, {}%)".format(h, s, l) # 绘制圆形 x, y = np.ogrid[:1500,:1500] mask = (x - 700) ** 2 + (y - 700) ** 2 > 700 ** 2 mask = 255 * mask.astype(int) wc = WordCloud( background_color= white , mask=mask, font_path= C:WindowsFonts华康俪金黑W8.TTF , max_words=2000, max_font_size=250, min_font_size=15, color_func=random_color_func, prefer_horizontal=1, random_state=50 ) wc.generate_from_frequencies({ 田海民 : 76, 马来花 : 15, 雷区长 : 7, 胡得禄 : 9, 金富 : 60, 孙玉亭 : 268, 田润生 : 40, 田晓霞 : 113, 田福堂 : 460, 马国雄 : 27, 张有智 : 112, 黑白 : 15, 周文龙 : 35, 南洋女人 : 12, 卫红 : 32, 田福军 : 346, 冯世宽 : 83, 田润叶 : 45, 孙少平 : 431, 侯玉英 : 49, 王满银 : 134, 田四 : 14, 金俊山 : 128, 李登云 : 95, 金俊武 : 206, 石钟 : 13, 萝卜花 : 12, 惠英 : 86, 高步杰 : 6, 金光辉 : 7, 刘根民 : 50, 徐治功 : 138, 徐爱云 : 19, 武得全 : 2, 曹书记 : 38, 武宏全 : 3, 孙少安 : 385, 王彩娥 : 42, 杨高虎 : 19, 武惠良 : 62, 王世才 : 39, 田晓晨 : 1, 刘志祥 : 29, 苗凯 : 82, 藏族姑娘 : 14, 金俊斌 : 18, 徐国强 : 77, 胡永州 : 17, 憨牛 : 5, 高凤阁 : 26, 张生民 : 26, 白元 : 11, 孙兰香 : 12, 杜丽丽 : 21, 秦富功 : 12, 贾冰 : 43, 金俊海 : 37, 金波 : 235, 金秀 : 71, 胡得福 : 12, 顾尔纯 : 2, 金光亮 : 91, 贺耀宗 : 9, 白明川 : 63, 古风铃 : 32, 乔伯年 : 65, 刘玉升 : 71, 小翠 : 8, 金强 : 64, 胡永合 : 53, 安锁子 : 54, 金先生 : 17, 田五 : 49, 杜正贤 : 13, 孙玉厚 : 197}) plt.imshow(wc) plt.axis( off ) wc.to_file("平凡的世界.jpg") print( 生成词云成功! )

最后生成词云如下。