一年一度的虐狗節(jié)終于過去了，朋友圈各種曬，曬自拍，曬娃，曬美食，秀恩愛的。程序員在曬什么，程序員在加班。但是禮物還是少不了的，送什么好?作為程序員，我準(zhǔn)備了一份特別的禮物，用以往發(fā)的微博數(shù)據(jù)打造一顆“愛心”，我想她一定會(huì)感動(dòng)得哭了吧。哈哈?。。?/p>

準(zhǔn)備工作

有了想法之后就開始行動(dòng)了，自然***想到的就是用 Python 了，大體思路就是把微博數(shù)據(jù)爬下來，數(shù)據(jù)經(jīng)過清洗加工后再進(jìn)行分詞處理，處理后的數(shù)據(jù)交給詞云工具，配合科學(xué)計(jì)算工具和繪圖工具制作成圖像出來，涉及到的工具包有：

requests 用于網(wǎng)絡(luò)請(qǐng)求爬取微博數(shù)據(jù)，結(jié)巴分詞進(jìn)行中文分詞處理，詞云處理庫(kù) wordcloud，圖片處理庫(kù) Pillow，科學(xué)計(jì)算工具 NumPy ，類似于 MATLAB 的 2D 繪圖庫(kù) Matplotlib。

工具安裝

安裝這些工具包時(shí)，不同系統(tǒng)平臺(tái)有可能出現(xiàn)不一樣的錯(cuò)誤，wordcloud，requests，jieba 都可以通過普通的 pip 方式在線安裝，

pip install wordcloud 
pip install requests 
pip install jieba 

在Windows 平臺(tái)安裝 Pillow，NumPy，Matplotlib 直接用 pip 在線安裝會(huì)出現(xiàn)各種問題，推薦的一種方式是在一個(gè)叫 Python Extension Packages for Windows 1 的第三方平臺(tái)下載 相應(yīng)的 .whl 文件安裝。可以根據(jù)自己的系統(tǒng)環(huán)境選擇下載安裝 cp27 對(duì)應(yīng) python2.7，amd64 對(duì)應(yīng) 64 位系統(tǒng)。下載到本地后進(jìn)行安裝

pip install Pillow-4.0.0-cp27-cp27m-win_amd64.whl 
pip install scipy-0.18.0-cp27-cp27m-win_amd64.whl 
pip install numpy-1.11.3+mkl-cp27-cp27m-win_amd64.whl 
pip install matplotlib-1.5.3-cp27-cp27m-win_amd64.whl 

其他平臺(tái)可根據(jù)錯(cuò)誤提示 Google 解決。或者直接基于 Anaconda 開發(fā)，它是 Python 的一個(gè)分支，內(nèi)置了大量科學(xué)計(jì)算、機(jī)器學(xué)習(xí)的模塊 。

獲取數(shù)據(jù)

新浪微博官方提供的 API 是個(gè)渣渣，只能獲取用戶***發(fā)布的5條數(shù)據(jù)，退而求其次，使用爬蟲去抓取數(shù)據(jù)，抓取前先評(píng)估難度，看看是否有人寫好了，在GitHub逛了一圈，基本沒有滿足需求的。倒是給我提供了一些思路，于是決定自己寫爬蟲。使用 http://m.weibo.cn/ 移動(dòng)端網(wǎng)址去爬取數(shù)據(jù)。發(fā)現(xiàn)接口 http://m.weibo.cn/index/my?format=cards&page=1 可以分頁(yè)獲取微博數(shù)據(jù)，而且返回的數(shù)據(jù)是 json 格式，這樣就省事很多了，不過該接口需要登錄后的 cookies 信息，登錄自己的帳號(hào)就可以通過 Chrome 瀏覽器 找到 Cookies 信息。

實(shí)現(xiàn)代碼：

def fetch_weibo(): 
    api = "http://m.weibo.cn/index/my?format=cards&page=%s" 
    for i in range(1, 102): 
        response = requests.get(url=api % i, cookies=cookies) 
        data = response.json()[0] 
        groups = data.get("card_group") or [] 
        for group in groups: 
            text = group.get("mblog").get("text") 
            text = text.encode("utf-8") 
            text = cleanring(text).strip() 
            yield text 

查看微博的總頁(yè)數(shù)是101，考慮到一次性返回一個(gè)列表對(duì)象太費(fèi)內(nèi)存，函數(shù)用 yield 返回一個(gè)生成器，此外還要對(duì)文本進(jìn)行數(shù)據(jù)清洗，例如去除標(biāo)點(diǎn)符號(hào)，HTML 標(biāo)簽，“轉(zhuǎn)發(fā)微博”這樣的字樣。

保存數(shù)據(jù)

數(shù)據(jù)獲取之后，我們要把它離線保存起來，方便下次重復(fù)使用，避免重復(fù)地去爬取。使用 csv 格式保存到 weibo.csv 文件中，以便下一步使用。數(shù)據(jù)保存到 csv 文件中打開的時(shí)候可能為亂碼，沒關(guān)系，用 notepad++查看不是亂碼。

def write_csv(texts): 
    with codecs.open('weibo.csv', 'w') as f: 
        writer = csv.DictWriter(f, fieldnames=["text"]) 
        writer.writeheader() 
        for text in texts: 
            writer.writerow({"text": text}) 
 
def read_csv(): 
    with codecs.open('weibo.csv', 'r') as f: 
        reader = csv.DictReader(f) 
        for row in reader: 
            yield row['text'] 

分詞處理

從 weibo.csv 文件中讀出來的每一條微博進(jìn)行分詞處理后再交給 wordcloud 生成詞云。結(jié)巴分詞適用于大部分中文使用場(chǎng)景，使用停止詞庫(kù) stopwords.txt 把無用的信息(比如：的，那么，因?yàn)榈?過濾掉。

def word_segment(texts): 
    jieba.analyse.set_stop_words("stopwords.txt") 
    for text in texts: 
        tags = jieba.analyse.extract_tags(text, topK=20) 
        yield " ".join(tags) 

生成圖片

數(shù)據(jù)分詞處理后，就可以給 wordcloud 處理了，wordcloud 根據(jù)數(shù)據(jù)里面的各個(gè)詞出現(xiàn)的頻率、權(quán)重按比列顯示關(guān)鍵字的字體大小。生成方形的圖像，如圖：

是的，生成的圖片毫無美感，畢竟是要送人的也要拿得出手才好炫耀對(duì)吧，那么我們找一張富有藝術(shù)感的圖片作為模版，臨摹出一張漂亮的圖出來。我在網(wǎng)上搜到一張“心”型圖：

生成圖片代碼：

def generate_img(texts): 
    data = " ".join(text for text in texts) 
    mask_img = imread('./heart-mask.jpg', flatten=True) 
    wordcloud = WordCloud( 
        font_path='msyh.ttc', 
        background_color='white', 
        mask=mask_img 
    ).generate(data) 
    plt.imshow(wordcloud) 
    plt.axis('off') 
    plt.savefig('./heart.jpg', dpi=600) 

需要注意的是處理時(shí)，需要給 matplotlib 指定中文字體，否則會(huì)顯示亂碼，找到字體文件夾：C:\Windows\Fonts\Microsoft YaHei UI復(fù)制該字體，拷貝到 matplotlib 安裝目錄：C:\Python27\Lib\site-packages\matplotlib\mpl-data\fonts\ttf 下

差不多就這樣。