# wb_keams
利用微博热点话题舆情聚类分析
### 提前准备的Python模块
本文的实现使用到了多个第三方模块，主要模块如下所示：
1. jieba 使用最广的分词模块
2. pandas 高效处理大型数据集常用的python模块
3. Scikit-learn 用于机器学习的Python工具包
4. Matplotlib 一个python的图形框架，用于绘制二维图形
5. requests 一个常用的Http库，用来发送网络请求
### 第一步，爬取微博数据
一个很简单的微博爬虫程序，爬取网站是微博的手机端搜索页面`https://m.weibo.cn/` （选择手机端是因为手机端简单）。代码使用python简单的request包。
首先，对微博页面进行分析，在微博搜索页面随便输入个关键词，然后`F12`进入谷歌浏览器的审查元素界面，点击NetWork，筛选到XHR选项卡，观察页面返回的接口，和`response`返回的json数据。
发现url规律如下：
```markdown
1.https://m.weibo.cn/api/container/getIndex?containerid=100103type情人节&type=all&queryVal=情人节&featurecode=20000320&luicode=10000011&lfid=106003type%3D1&title=情人节&page=10
https://m.weibo.cn/api/container/getIndex?containerid=100103type情人节&type=all&queryVal=情人节&featurecode=20000320&luicode=10000011&lfid=106003type%3D1&title=情人节&page=11
```
通过对微博列表的下拉，实现了分页获取微博数据，除了page参数在一直滚动，其他的参数都是固定不变的。由此可以确定访问接口。
#### 接下来分析页面`response`返回的json数据，将数据格式展开如下
在本项目中，我们只需要提取微博的内容进行特征提取，所以我们只保存微博的部分有用字段
```markdown
data
id
cards
mblog
id # 唯一标识
created_at # 发布时间
text # 正文
```
具体实现代码：
```python
from urllib.parse import urlencode
import requests
from pyquery import PyQuery as pq
import time
import os
import csv
import json
base_url = 'https://m.weibo.cn/api/container/getIndex?'
headers = {
'Host': 'm.weibo.cn',
'Referer': 'https://m.weibo.cn/u/2830678474',
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
'X-Requested-With': 'XMLHttpRequest',
}
class SaveCSV(object):
def save(self, keyword_list,path, item):
"""
保存csv方法
:param keyword_list: 保存文件的字段或者说是表头
:param path: 保存文件路径和名字
:param item: 要保存的字典对象
:return:
"""
try:
# 第一次打开文件时，第一行写入表头
if not os.path.exists(path):
with open(path, "w", newline='', encoding='utf-8') as csvfile: # newline='' 去除空白行
writer = csv.DictWriter(csvfile, fieldnames=keyword_list) # 写字典的方法
writer.writeheader() # 写表头的方法
# 接下来追加写入内容
with open(path, "a", newline='', encoding='utf-8') as csvfile: # newline='' 一定要写，否则写入数据有空白行
writer = csv.DictWriter(csvfile, fieldnames=keyword_list)
writer.writerow(item) # 按行写入数据
print("^_^ write success")
except Exception as e:
print("write error==>", e)
# 记录错误数据
with open("error.txt", "w") as f:
f.write(json.dumps(item) + ",\n")
pass
def get_page(page,title): #得到页面的请求，params是我们要根据网页填的，就是下图中的Query String里的参数
params = {
'containerid': '100103type=1&q='+title,
'page': page,#page是就是当前处于第几页，是我们要实现翻页必须修改的内容。
'type':'all',
'queryVal':title,
'featurecode':'20000320',
'luicode':'10000011',
'lfid':'106003type=1',
'title':title
}
url = base_url + urlencode(params)
print(url)
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
print(page)
return response.json()
except requests.ConnectionError as e:
print('Error', e.args)
# 解析接口返回的json字符串
def parse_page(json , label):
res = []
if json:
items = json.get('data').get('cards')
for i in items:
if i == None:
continue
item = i.get('mblog')
if item == None:
continue
weibo = {}
weibo['id'] = item.get('id')
weibo['label'] = label
weibo['text'] = pq(item.get('text')).text().replace(" ", "").replace("\n" , "")
res.append(weibo)
return res
if __name__ == '__main__':
title = input("请输入搜索关键词：")
path = "article.csv"
item_list = ['id','text', 'label']
s = SaveCSV()
for page in range(10,20):#循环页面
try:
time.sleep(1) #设置睡眠时间，防止被封号
json = get_page(page , title )
results = parse_page(json , title)
if requests == None:
continue
for result in results:
if result == None:
continue
print(result)
s.save(item_list, path , result)
except TypeError:
print("完成")
continue
```
将最后结果保存在`csv`文件中，保存的微博数据如下：
### 第二步，微博数据文本处理
对提取到的微博数据，本文采用jieba分词模块对微博正文进行处理，首先将微博中的数字、字母、特殊符号等使用`正则表达式`去掉，然后使用jieba分词模块对微博正文进行分词。
具体代码如下所示：
```python
# 清洗文本
def clearTxt(line:str):
if(line != ''):
line = line.strip()
# 去除文本中的英文和数字
line = re.sub("[a-zA-Z0-9]", "", line)
# 去除文本中的中文符号和英文符号
line = re.sub("[\s+\.\!\/_,$%^*(+\"\'；：“”．]+|[+——！，。？?、~@#￥%……&*（）]+", "", line)
return line
return None
#文本切割
def sent2word(line):
segList = jieba.cut(line,cut_all=False)
segSentence = ''
for word in segList:
if word != '\t':
segSentence += word + " "
return segSentence.strip()
```
处理完成后数据如下图所示：
### 第三步，特征向量提取，Kmeans聚类
因为Kmeans模型的输入必须是数值向量类型，所以我们需要把每条由词语组成的句子转换成一个数值型向量，在本文中我们使用了`TF-IDF`算法对文档进行了向量化，把所有的数据转换为词频矩阵作为Kmeans模型的输入，TF-IDF最大特征值选择为20000。
实现代码如下：
```python
# 该类会将文本中的词语转换为词频矩阵，矩阵
