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，我準備了一份特別的禮物，用以往發(fā)的微博數據打造一顆“愛心”，我想她一定會感動得哭了吧。哈哈！??！

準備工作

有了想法之后就開始行動了，自然***想到的就是用 Python 了，大體思路就是把微博數據爬下來，數據經過清洗加工后再進行分詞處理，處理后的數據交給詞云工具，配合科學計算工具和繪圖工具制作成圖像出來，涉及到的工具包有：

requests 用于網絡請求爬取微博數據，結巴分詞進行中文分詞處理，詞云處理庫 wordcloud，圖片處理庫 Pillow，科學計算工具 NumPy ，類似于 MATLAB 的 2D 繪圖庫 Matplotlib。

工具安裝

安裝這些工具包時，不同系統(tǒng)平臺有可能出現不一樣的錯誤，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 平臺安裝 Pillow，NumPy，Matplotlib 直接用 pip 在線安裝會出現各種問題，推薦的一種方式是在一個叫 Python Extension Packages for Windows 1 的第三方平臺下載 相應的 .whl 文件安裝?？梢愿鶕约旱南到y(tǒng)環(huán)境選擇下載安裝 cp27 對應 python2.7，amd64 對應 64 位系統(tǒng)。下載到本地后進行安裝

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 

其他平臺可根據錯誤提示 Google 解決?；蛘咧苯踊?Anaconda 開發(fā)，它是 Python 的一個分支，內置了大量科學計算、機器學習的模塊 。

獲取數據

新浪微博官方提供的 API 是個渣渣，只能獲取用戶***發(fā)布的5條數據，退而求其次，使用爬蟲去抓取數據，抓取前先評估難度，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/ 移動端網址去爬取數據。發(fā)現接口 http://m.weibo.cn/index/my?format=cards&page=1 可以分頁獲取微博數據，而且返回的數據是 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，登錄自己的帳號就可以通過 Chrome 瀏覽器 找到 Cookies 信息。

實現代碼：

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 

查看微博的總頁數是101，考慮到一次性返回一個列表對象太費內存，函數用 yield 返回一個生成器，此外還要對文本進行數據清洗，例如去除標點符號，HTML 標簽，“轉發(fā)微博”這樣的字樣。

保存數據

數據獲取之后，我們要把它離線保存起來，方便下次重復使用，避免重復地去爬取。使用 csv 格式保存到 weibo.csv 文件中，以便下一步使用。數據保存到 csv 文件中打開的時候可能為亂碼，沒關系，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行分詞處理后再交給 wordcloud 生成詞云。結巴分詞適用于大部分中文使用場景，使用停止詞庫 stopwords.txt 把無用的信息(比如：的，那么，因為等)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

數據分詞處理后，就可以給 wordcloud 處理了，wordcloud 根據數據里面的各個詞出現的頻率、權重按比列顯示關鍵字的字體大小。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吧，那么我們找一張富有藝術感的圖片作為模版，臨摹出一張漂亮的圖出來。我在網上搜到一張“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，需要給 matplotlib 指定中文字體，否則會顯示亂碼，找到字體文件夾：C:\Windows\Fonts\Microsoft YaHei UI復制該字體，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。