爬虫 | 【实践】百度搜索链接爬取，生成标题词云

爬虫 | 【实践】百度搜索链接爬取，生成标题词云 | 以“AI换脸”为例

📚链接爬取

🐇流程梳理

🐇代码实现

🐇结果

📚词云生成

🐇代码实现

🐇结果

📚链接爬取

🐇流程梳理

总体流程是：构建搜索链接 -> 发送HTTP请求 -> 解析网页内容 -> 提取标题和链接 -> 判断重复 -> 写入csv工作表 -> 保存csv工作簿。
循环遍历100页（暂定，实现翻页）的搜索结果，完成全部数据的提取和保存。
key：在百度搜索结果页面中，通常每个搜索结果都包含在一个<h3>标签内，并具有一个特定的CSS类名为"t"。

🐇代码实现

# 发送HTTP请求并处理URL
import urllib
from urllib import request, parse
# 管理和处理HTTP请求和响应中的Cookie信息
import http.cookiejar
# 解析和提取HTML/XML数据
from bs4 import BeautifulSoup
# 读取和编辑数据
import openpyxl
import random
import time

# 随机等待时间的函数
# 避免以高频率向服务器发送请求造成宕机
def random_wait():
    # 生成一个随机的等待时间，范围为1到5秒
    wait_time = random.uniform(1, 5)
    time.sleep(wait_time)

# 创建一个新的Excel工作簿对象
workbook = openpyxl.Workbook()
# 返回工作簿中的活动工作表对象，表明之后的代码对这个工作表进行操作
worksheet = workbook.active
# 添加标题
worksheet.append(
    ['Titles', 'Links'])
# 标题集合，用于之后重复标题的处理
titles_set = set()

word = input("请输入搜索的关键词：")
for page in range(1, 101):
    print("现在是第" + str(page) + "页")
    # quote()函数用于将字符串进行URL编码
    link = "http://www.baidu.com/s?wd="+urllib.parse.quote(word)
    url = f"{link}?page={page}"
    headers = {"Accept": "text/html, application/xhtml+xml, image/jxr, */*",
               "Accept - Encoding": "gzip, deflate, br",
               "Accept - Language": "zh - CN",
               "Connection": "Keep - Alive",
               "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:109.0) Gecko/20100101 Firefox/119.0",
               # 请求的来源页面
               "referer": "baidu.com"}

    # 创建一个CookieJar对象，用于保存网站返回的Cookie信息。
    Cookie = http.cookiejar.CookieJar()
    # 创建一个opener对象，使用CookieJar处理器来处理Cookie，实现Cookie的自动管理。
    opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(Cookie))

    # 将headers字典中的键值对转化为元组，并添加到headall列表中。
    pairs = []
    for key, value in headers.items():
        item = (key, value)
        pairs.append(item)
    # 将pairs列表设置为opener的请求头
    opener.addheaders = pairs
    # 将opener安装为全局默认的urlopen()函数的opener。
    urllib.request.install_opener(opener)
    # 发送请求并获取网页内容。
    data = urllib.request.urlopen(url).read().decode('utf-8')
    # 解析网页内容，生成BeautifulSoup对象。
    soup = BeautifulSoup(data, 'html.parser')

    # 查找名为'h3'，class属性为't'的HTML元素
    # 在百度搜索结果页面中，通常每个搜索结果都包含在一个<h3>标签内，并具有一个特定的CSS类名为"t"。
    for result_table in soup.find_all('h3', class_='t'):
        # 调用等待时间函数，防止宕机
        random_wait()
        a_click = result_table.find("a")
        # 获取标题
        title = a_click.get_text()
        # 获取链接
        link = str(a_click.get("href"))

        # 如果标题已经存在于集合中，跳过此条记录，而且不要视频大全
        if title in titles_set or "视频大全" in title:
            continue
        # 将标题添加到集合中
        titles_set.add(title)

        print("标题:" + title)  # 标题
        print("链接:" + link)  # 链接
        worksheet.append([title, link])
        workbook.save('AI换脸_法律_案件.csv')

🐇结果

关键词设置为：AI换脸法律案件

📚词云生成

🐇代码实现

用爬取的全部标题来构建词云

# coding:utf-8
import jieba  # 导入分词库
import collections  # 导入collections库，用于词频统计
import wordcloud  # 导入生成词云图的库
import matplotlib.pyplot as plt  # 导入绘图库

# 打开文件
with open(r"AI换脸_法律_案件.txt", encoding='utf-8') as f:
    data = f.read()

# 使用jieba库进行分词，默认精确模式
w_cut = jieba.cut(data, cut_all=False)

# 存储分词结果的列表
word_list = []
# 设置排除词
word_remove = [u'，', u' ', u'。', u'、', u'\n', u'', u'(', u')',  u'“', u'”', u',', u'!', u'?', u'【', u'】', u'...', u'_', u':', '|', '-', u'的', u'是', u'了', u'我', u'我们', u'腾讯', u'哔哩', u'百度', u'新浪', u'你', u'又', u'被', u'他', u'谁', u'人']
# 遍历分词结果，过滤掉排除词，将有效词添加到word_list中
for x in w_cut:
    if x not in word_remove:
        word_list.append(x)  

# 使用Counter进行词频统计
word_counts = collections.Counter(word_list)  
# 取出词频最高的前50个词
word_counts_top50 = word_counts.most_common(50)  
# 打印出前50个词云及对应数量
print(word_counts_top50)  
# 将词频结果转换为字符串形式
word_counts_top50 = str(word_counts_top50)  

w = wordcloud.WordCloud(
    # 设置词云生成时的中文字体
    font_path='C:\Windows\Fonts\STKAITI.TTF',  
    # 设置词云的背景颜色为白色
    background_color='white',  
    # 设置词云图片的宽度
    width=700,  
    # 设置词云图片的高度
    height=600,  
    # 设置词云中显示的最大字体大小
    max_font_size=180  
)
# 根据词频生成词云图
w.generate_from_frequencies(word_counts)  
# 创建一个绘图窗口
plt.figure(1, figsize=(10, 8))  
# 显示词云图
plt.imshow(w)  
# 不显示坐标轴
plt.axis("off")  
# 展示图表
plt.show()  
# 将词云图保存为图片文件
w.to_file("wordcloud_input.png")

关于jieba.cut：除了 cut_all = False，jieba库还支持以下模式：
- cut_all = True：全模式，将文本中的所有可能是词的部分都进行分词，可能会产生冗余和不常见的词。
- cut_for_search = True：搜索引擎模式，将文本中可能是词的部分进行分词，同时使用了较多的细粒度切分，适用于搜索引擎构建索引或相关场景。
- HMM =True：开启隐式马尔可夫模型（Hidden Markov Model），用于在未登录词（out-of-vocabulary，OOV）的情况下进行中文分词，适用于处理未登录词较多的场景。
关于字体设置：font_path='C:\Windows\Fonts\STKAITI.TTF'，在控制面板 -> 外观与个性化 -> 字体处，可以找到心仪字体。