用Python爬取糗事百科段子，可視化后結果發現

大家好，我是小五????

生活真是太苦了，需要找點快樂的精神食糧支撐社畜生活，聽說糗事百科段子挺多，今天就來看一看！

糗事百科的段子欄目聲稱：幽默笑話大全__爆笑笑話__笑破你的肚子的搞笑段子，我們用 Python 來看看糗事百科的段子到底怎么樣呢？

本文主要內容：

selenium爬取段子資訊

這次我們利用selenium來實作翻頁爬取段子資訊！

翻頁查看url變化規律：

https://www.qiushibaike.com/text/page/1/
https://www.qiushibaike.com/text/page/2/
https://www.qiushibaike.com/text/page/3/
https://www.qiushibaike.com/text/page/4/
https://www.qiushibaike.com/text/page/5/
https://www.qiushibaike.com/text/page/6/

思路：段子資訊在 id 為 content 的 div 標簽下的 div 下的第二個 div 標簽下的 div 標簽里，獲取到所有 div 標簽的內容，然后遍歷，從中提取出每一條段子資訊，

代碼如下：

from selenium import webdriver
from time import sleep
import logging
import openpyxl

wb = openpyxl.Workbook()
sheet = wb.active
sheet.append(['段子內容', '好笑數', '評論數'])
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s')

chrome_driver = r'D:\python\pycharm2020\chromedriver.exe'

options = webdriver.ChromeOptions()
# 可以設定無頭模式 不彈出瀏覽器
# options.add_argument("--headless")
# 關閉左上方 Chrome 正受到自動測驗軟體的控制的提示
options.add_experimental_option('useAutomationExtension', False)
options.add_experimental_option("excludeSwitches", ['enable-automation'])
browser = webdriver.Chrome(options=options, executable_path=chrome_driver)
# 可以設定繞過Webdriver的檢測
browser.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
"source": """
Object.defineProperty(navigator, 'webdriver', {
get: () => undefined
})
"""
})


def get_data(page):     # 爬取資料函式
    url = f'https://www.qiushibaike.com/text/page/{page}/'
    browser.get(url)    # 訪問目標url
    browser.maximize_window()   # 最大化視窗
    sleep(1)    # 短暫休眠
    # Xpath定位到所有包含段子資訊的div標簽
    items = browser.find_elements_by_xpath('//*[@id="content"]/div/div[2]/div')
    # print(len(items))  一頁25條段子
    # 遍歷  獲取每一條段子資訊
    for item in items:
        con = item.find_element_by_xpath('.//a/div/span').text                   # 段子內容
        funny_num = item.find_element_by_xpath('.//div[2]/span[1]/i').text      # 好笑數
        comment_num = item.find_element_by_xpath('.//div[2]/span[2]/a/i').text   # 評論數
        sheet.append([con, funny_num, comment_num])
        logging.info([con, funny_num, comment_num])


if __name__ == '__main__':
    for i in range(1, 14):    # 翻頁爬取
        get_data(i)
    browser.quit()     # 關閉瀏覽器
    wb.save(filename='datas.xlsx')   # 保存資料

運行結果如下：

段子資訊保存到了本地 Excel 里，結果如下：

繪制詞云圖

段子內容詞云圖可視化

import pandas as pd
import jieba
import collections
import re
from wordcloud import WordCloud
import matplotlib.pyplot as plt

# 讀取段子資料
datas = pd.read_excel('datas.xlsx')['段子內容']

# 讀取停用詞資料
with open('stop_words.txt', encoding='utf-8') as f:
    con = f.read().split('\n')    # 得到每一行的停用詞
    stop_words = set()
    for i in con:
        stop_words.add(i)

result_list = []
for data in datas:
    # 文本預處理  去除一些無用的字符   只提取出中文出來
    new_data = re.findall('[\u4e00-\u9fa5]+', data, re.S)
    new_data = "/".join(new_data)
    # 文本分詞
    seg_list_exact = jieba.cut(new_data, cut_all=True)
    # 去除停用詞和單個詞
    for word in seg_list_exact:
        if word not in stop_words and len(word) > 1:
            result_list.append(word)

print(result_list)
# 篩選后統計
word_counts = collections.Counter(result_list)

# 繪制詞云
my_cloud = WordCloud(
    background_color='white',  # 設定背景顏色  默認是black
    width=800, height=550,
    font_path='simhei.ttf',   # 設定字體  顯示中文
    max_font_size=160,        # 設定字體最大值
    min_font_size=16,         # 設定字體最小值
    random_state=88           # 設定隨機生成狀態，即多少種配色方案
).generate_from_frequencies(word_counts)

# 顯示生成的詞云圖片
plt.imshow(my_cloud, interpolation='bilinear')
# 顯示設定詞云圖中無坐標軸
plt.axis('off')
plt.show()

運行效果如下：

老婆、朋友、孩子、媳婦、同事、回家、老公等詞云都是糗事百科段子內容里出現頻率較高，都比較貼進生活，除此之外，"發現" 這個詞也是出現頻率較高的，看來有點東西，

散點圖

分析評論數與好笑數之間關系，散點圖可視化

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl

# 讀取資料
df = pd.read_excel('datas.xlsx')
funny_num, comment_num = df['好笑數'], df['評論數']
# 設定中文顯示
mpl.rcParams['font.family'] = 'SimHei'
# 設定圖形顯示風格 ggplot
plt.style.use('ggplot')
# 設定大小  像素
plt.figure(figsize=(9, 6), dpi=100)

# 繪制散點圖
plt.scatter(comment_num, funny_num)
# 添加描述資訊
plt.title('段子評論數與好笑數關系-散點圖')
plt.xlabel('評論數')
plt.ylabel('好笑數')
plt.show()

運行效果如下：

在評論數小于 50 時，點分布密集，大概還有評論數多，好笑數多的關系，評論數大于50之后，點分布非常散亂，段子的評論數和好笑數實時在變，下面來看看我們那是爬取下來的段子里評論數最多、好笑數最多的分別講的啥，

TOP級別段子

import pandas as pd

# 讀取資料
df = pd.read_excel('datas.xlsx')
# 降序排列后列印第一行  評論數最多
df1 = df.sort_values(by='評論數', ascending=False)
print(df1.values[0])

評論數最多的段子

import pandas as pd

# 讀取資料
df = pd.read_excel('datas.xlsx')
# 降序排列后列印第一行  好笑數最多
df1 = df.sort_values(by='好笑數', ascending=False)
print(df1.values[0])

好笑數最多的段子

emmm，幽默笑話大全__爆笑笑話__笑破你的肚子的搞笑段子，就這?

作者：葉庭云
CSDN：https://yetingyun.blog.csdn.net/本文僅用于交流學習，未經作者允許，禁止轉載，更勿做其他用途，違者必究，覺得文章對你有幫助、讓你有所識訓的話，期待你的點贊呀，不足之處，也可以在評論區多多指正，

????《Python最優化演算法實戰》此書以理論結合編程開發為原則，使用Python作為開發語言，講解優化演算法的原理和應用，詳細介紹了Python基礎、Gurobi 優化器、線性規劃、整數規劃、多目標優化、動態規劃、圖與網路分析、智能優化演算法，點擊下圖可看詳情/購買！????

感謝北京大學出版社支持！周日統一兌換！后臺回復“讀書會”進群，聊書聊幣吹吹牛！后臺回復“規則”輕松賺幣，免費包郵帶回家！