一、设计内容及目的
(一)设计内容
通过爬取学校新闻网页,获取新闻标题,通过词频统计制作出词云并生成图片。
(二)设计目的
新闻标题是新闻的主旨,从新闻标题中可以进行多种内容的挖掘,通过对学校新闻网的新闻进行分析获得热点词,基于这些标题中的热点词设计并实现构建词云的算法,最后根据词云模型统计热点词的词频,可以快速了解这段时间学校的工作重心和工作内容。
总体设计
(一)通过请求头连接到学校新闻网页上,并测试是否连接成功;
(二)获取所有学校网页新闻标题并存放到列表中;
(三)创建词云,把爬取的新闻标题分词,进行词频统计,最后生成词云。
三、详细设计
(一)连接页面模块设计
1.功能设计
(1)请求获取网页:在网页中打开“开发者工具”命令,找到请求标题;
(2)定义getjson()函数测试是否成功获取网页;
(3)通过python Request库的get()方法,构造一个向服务器请求资源的url对象;
(4)属性:response.status_code,HTTP请求返回状态,200表示成功,404表示失败。
2.代码实现
# 导入模块包
import requests
import jieba
import wordcloud
import matplotlib.pyplot as plt
from os import path
from lxml import etree
#请求头
headers={
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
'Accept-Encoding': 'gzip, deflate',
'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6',
'Host': 'www.',
'Referer': 'http://www./info/1034/1502.htm',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.101 Safari/537.36 Edg/91.0.864.48'
}
#测试是否连接成功
def getjson(url):
response = requests.get(url, headers=headers,timeout=3)
if response.status_code == 200:
return response.content.decode("utf-8")
else:
print("Fail to get page")
return None
(二)获取页面新闻标题模块设计
1.功能设计
(1)定义getPageInfo()函数获取学校页面信息;
(2)通过for循环爬取学校新闻156页新闻标题。
2.代码实现
#获取页面新闻信息
def getPageInfo():
info_list=[]
for i in range (0,155):
if i==0:
url='http://www./xwdt/xxxw.htm'
else:
i = str(i)
url = 'http://www./xwdt/xxxw/' + i + '.htm'
response = getjson(url)
tree = etree.HTML(response)
li_list = tree.xpath('/html/body/div[3]/div/div[2]/div[2]/ul/li')
for li in li_list :
title = li.xpath('./a/text()')
info_list.append(title)
return info_list
(三)词云制作模块设计
1.功能设计
(1)定义createWordCloud()函数实现词云功能;
(2)把获取的所有新闻标题拼接成一个字符串,利用 Python 中著名的分词器 jieba(结巴分词),去除停用词;
(3)利用for循环进行词频统计;
(4)设置词云格式,可以基于本地图片的轮廓设置词云形状,最后生成词云并保存本地。
2.代码实现
#创建词云
def createWordCloud(info_list):
article_dict = {}
content = ''.join('%s' %a for a in info_list)
article_jieba = jieba.lcut(content)
stop_words = set(line.strip() for line in open('stopwords.txt',encoding='utf-8'))
#词频统计
for data in article_jieba:
if len(data) == 1 or data in stop_words:
continue
if data not in article_dict:
article_dict[data] = 1
else:
article_dict[data] += 1
article_list = list(article_dict.items())
cloud_data = ''
# 把爬出来的字符放到该变量中
for word in article_list:
cloud_data += word[0] + ' '
backgroud_Image = plt.imread('bg.jpg')
w = wordcloud.WordCloud(
background_color='white', # 设置背景颜色
mask=backgroud_Image, # 设置背景图片
font_path = "simhei.ttf", # 若是有中文的话,这句代码必须添加,不然会出现方框,不出现汉字
max_words=2000, # 设置最大现实的字数
random_state=30, # 设置有多少种随机生成状态,即有多少种配色方案
max_font_size=200, # 设置字体最大值
)
w.generate(cloud_data)
# 显示词云图
plt.imshow(w)
# 是否显示x轴、y轴下标
plt.axis('off')
plt.show()
# 获得模块所在的路径的
d = path.dirname(__file__)
w.to_file(path.join(d, "词云.jpg"))
if __name__ == '__main__':
createWordCloud(getPageInfo())
四、程序调试结果及分析
(一)连接页面模块调试
这里只测试网页第154页的内容,连接成功并成功读出该页面所有信息。
图4-1 连接页面模块调试图
(二)获取页面新闻标题模块调试
这里我们设计爬出的是每页的新闻标题,放到列表中存储,下图是调试出来的部分列表的信息。
图4-2 获取页面新闻标题模块调试图
词云制作调试
用到的本地图片轮廓是中国地图,设置词云的格式:背景为白色,显示中文,最大2000字,30种颜色随机生成,字体最大值为200,运行的结果如4-3图所示。
原程序没有获取网页最新一页信息,经过修改代码,获取最新一页新闻信息,调试后的词云如图4.4所示。
图4-3 词云制作模块调试图
图4-4词云制作模块调试图
# 导入模块包import requests# import reimport jiebaimport wordcloud# import jsonimport matplotlib.pyplot as pltfrom os import pathfrom lxml import etree# from bs4 import BeautifulSoup# from imageio import imread#请求头headers={'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9','Accept-Encoding': 'gzip, deflate','Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6','Host': 'www.','Referer': 'http://www./info/1034/1502.htm','Upgrade-Insecure-Requests': '1','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.101 Safari/537.36 Edg/91.0.864.48' }#测试是否连接成功def getjson(url):response = requests.get(url, headers=headers,timeout=3)if response.status_code == 200:return response.content.decode("utf-8")else:print("Fail to get page")return None#获取页面新闻信息def getPageInfo():info_list=[]for i in range (0,155):if i==0:url='http://www./xwdt/xxxw.htm'else:i = str(i)url = 'http://www./xwdt/xxxw/' + i + '.htm'response = getjson(url)tree = etree.HTML(response)li_list = tree.xpath('/html/body/div[3]/div/div[2]/div[2]/ul/li')for li in li_list :title = li.xpath('./a/text()')# url = li.xpath('./a/@href')[0]# item = {}# item['title'] = title# item['url'] = 'http://www./' + url[3:]# info_list.append(item)info_list.append(title)return info_list#创建词云def createWordCloud(info_list):article_dict = {}content = ''.join('%s' %a for a in info_list)article_jieba = jieba.lcut(content)stop_words = set(line.strip() for line in open('F:/大学学习记录/大三下学期/Python/--2物联网数据分析课程设计实训/stopwords.txt',encoding='utf-8'))#词频统计for data in article_jieba:if len(data) == 1 or data in stop_words:continueif data not in article_dict:article_dict[data] = 1else:article_dict[data] += 1article_list = list(article_dict.items())cloud_data = ''# 把爬出来的字符放到该变量中for word in article_list:cloud_data += word[0] + ' 'backgroud_Image = plt.imread('F:/大学学习记录/大三下学期/Python/--2物联网数据分析课程设计实训/bg.jpg')w = wordcloud.WordCloud(background_color='white', # 设置背景颜色mask=backgroud_Image, # 设置背景图片font_path = "simhei.ttf", # 若是有中文的话,这句代码必须添加,不然会出现方框,不出现汉字max_words=2000, # 设置最大现实的字数random_state=30, # 设置有多少种随机生成状态,即有多少种配色方案max_font_size=200, # 设置字体最大值)w.generate(cloud_data)# img_colors = wordcloud.ImageColorGenerator(backgroud_Image)# 字体颜色为背景图片的颜色# w.recolor(color_func=img_colors)# 显示词云图plt.imshow(w)# 是否显示x轴、y轴下标plt.axis('off')plt.show()# 获得模块所在的路径的d = path.dirname(__file__)w.to_file(path.join(d, "D:/词云.jpg"))if __name__ == '__main__':createWordCloud(getPageInfo())
如果觉得《Python:物联网数据分析课程设计动态新闻标题热点挖掘》对你有帮助,请点赞、收藏,并留下你的观点哦!