抓取好友说说,进行简单的分析

Posted on Edited on In Views:
QZone 说说爬取与分析（历史方法，已随 2020 年后 QQ 空间改版失效，仅作学习参考）

⚠️ 已失效（2026-08-14）：本文方法在 2020 年 QQ 空间改版后已无法使用。
旧的 login_frame / switcher_plogin 账号密码登录框已被扫码/短信验证替代，
说说信息流与页面 DOM（如 ol#msgList、a.c_tx.c_tx3.goDetail）也已重构，
Selenium 自动登录抓取不可复现。本文仅作历史/学习参考保留：
其中 CSV 处理、jieba 分词、wordcloud 词云等通用技巧仍然有效。
如需获取 QQ 空间数据，请优先查阅腾讯官方开放平台 / 官方 API，
或采用经授权的数据方案，并遵守平台条款与个人信息保护法规；
不建议继续维护基于账号密码登录的浏览器自动化抓取。

Something needed before action

需要下载chromedriver.exe（selenium 4.6+ 内置 Selenium Manager，可自动下载驱动）
需要用到selenium,jieba,wordcloud,BeautifulSoup,xlrd,xlwt,xlutils,imageio等模块
（scipy.misc.imread 自 SciPy 1.0(2017) 已移除，用 imageio.imread 替代）
都可以使用pip install 模块名 方式安装,如果安装失败,可以自己下载whl文件,并将whl文件
放在python的安装目录Scripts下,再通过pip install 本地地址.whl,安装所需模块

In action

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# Created by PyCharm
# @author  : mystic
# @date    : 2017/12/12 8:33
"""
    抓取QQ空间说说
"""
import csv
import os
import re
import time
from collections import Counter

import jieba
import xlrd as xlrd
import xlwt as xlwt
import matplotlib.pyplot as plt
from bs4 import BeautifulSoup
from imageio import imread  # scipy.misc.imread 已移除：改用 imageio
from numpy import array
from selenium import webdriver
from selenium.webdriver.common.by import By  # Selenium 4+/5+ 推荐显式 By 定位
from wordcloud import WordCloud, ImageColorGenerator, STOPWORDS
from xlutils.copy import copy


def is_existed(path):
    if os.path.exists(path):
        os.remove(path)
    w = xlwt.Workbook()
    w.add_sheet('Sheet1')
    w.save(path)


def write_data(data1, data2, path):
    f = xlrd.open_workbook(path)
    sheet = f.sheet_by_name('Sheet1')
    src = copy(f)
    row = sheet.nrows
    src.get_sheet(0).write(row, 0, data1)
    src.get_sheet(0).write(row, 1, data2)
    src.save(path)


# 登录QQ空间
# noinspection PyBroadException
def get_shuoshuo(my_qq, my_pwd, friend_qq, path):
    is_existed(path)
    # 使用selenium
    driver = webdriver.Chrome()
    driver.maximize_window()
    try:
        driver.set_page_load_timeout(10)
        driver.get('https://user.qzone.qq.com/{}/311'.format(friend_qq))
        time.sleep(3)
    except Exception:
        print(u'网页启动异常,请重新打开')
        time.sleep(2)
        driver.quit()
    try:
        driver.find_element(By.ID, 'login_div')
    except Exception:
        print(u'非好友无法进入空间,无权限抓取内容')
        driver.quit()
    else:
        # DEPRECATED: 2020 年后 QQ 空间已改扫码/短信验证,此登录框不复存在
        driver.switch_to.frame('login_frame')
        driver.find_element(By.ID, 'switcher_plogin').click()
        driver.find_element(By.ID, 'u').clear()
        # 输入个人QQ
        driver.find_element(By.ID, 'u').send_keys(my_qq)
        driver.find_element(By.ID, 'p').clear()
        # 输入个人密码
        driver.find_element(By.ID, 'p').send_keys(my_pwd)
        driver.find_element(By.ID, 'login_button').click()
        time.sleep(3)
    driver.implicitly_wait(3)
    # 判断好友是否设置了权限
    try:
        driver.find_element(By.ID, 'QM_OwnerInfo_Icon')
    except Exception:
        print(u'空间加载异常,请重新打开')
        time.sleep(2)
        driver.quit()
    else:
        driver.switch_to.frame('app_canvas_frame')
        next_page = 'page'
        page = 1
        try:
            while next_page:
                pages = driver.page_source
                soup = BeautifulSoup(pages, 'lxml')
                shuoshuo_send_times = soup.select(
                    'ol#msgList li.feed div.box.bgr3 > div.ft div.info a.c_tx.c_tx3.goDetail')
                shuoshuos = soup.select('ol#msgList li.feed div.bd pre.content')
                print(u'正在抓取第%d页的内容>>>>>>>>>>' % page)
                for i in range(len(shuoshuos)):
                    data = {
                        'time': shuoshuo_send_times[i]['title'],
                        'shuos': shuoshuos[i].text
                    }
                    write_data(data['time'], data['shuos'], path)
                next_page = driver.find_element(By.LINK_TEXT, u'下一页')
                page = page + 1
                next_page.click()
                time.sleep(3)
                driver.implicitly_wait(3)
            driver.quit()
        except Exception:
            print(u'抓取到%d页面结束' % page)
            driver.quit()


def shuoshuo_analysis(file_path):
    # 读取csv文件
    # csv模块读取csv文件
    with open(file_path, 'rt', encoding='UTF-8') as file:
        read_csv = csv.reader(file)
        all_moods = [mood for mood in read_csv]
        all_moods = array(all_moods)
        shuoshuos = all_moods[:, 1]
        phrases = []
        # 分割(以特殊字符,如逗号,感叹号等,进行分割)+合拼成一维列表(将所有说说文字内容合并)
        for shuoshuo in shuoshuos:
            phrases += re.split(r'[^\u4E00-\u9FA5\w]+', shuoshuo)
        # 去除空串
        phrases = list(filter(lambda phrase: phrase != '', phrases))
        words = []
        for p in phrases:
            words += jieba.cut(p, HMM=True)
        print(words)
        print(len(words))
        print(set(words))
        print(len(set(words)))
        # 去除长度为1的词
        # words = list(filter(lambda word: len(word) > 1, words))
        print(Counter(words))
        back_color = imread('pokemon.jpg')  # 解析该图片
        wc = WordCloud(background_color='white',  # 背景颜色
                       max_words=1000,  # 最大词数
                       mask=back_color,  # 以该参数值作图绘制词云，这个参数不为空时，width和height会被忽略
                       max_font_size=100,  # 显示字体的最大值
                       stopwords=STOPWORDS | {'苟利国'},  # 内置屏蔽词再合并'苟利国'(set.add 返回 None,不可直接传入)
                       font_path="C:/Windows/Fonts/STFANGSO.ttf",  # 解决显示口字型乱码问题，可进入C:/Windows/Fonts/目录更换字体
                       random_state=42,  # 为每个词返回一个PIL颜色
                       # width=1000,  # 图片的宽
                       # height=860  #图片的长
                       )
        wc.generate(' '.join(words))
        # 基于彩色图像生成相应彩色
        image_colors = ImageColorGenerator(back_color)
        # 显示图片
        plt.imshow(wc)
        # 关闭坐标轴
        plt.axis('off')
        # 绘制词云
        plt.figure()
        plt.imshow(wc.recolor(color_func=image_colors))
        plt.axis('off')
        # 保存图片
        wc.to_file('wordcloud.png')


if __name__ == '__main__':
    # 爬取QQ空间好友动态,并保存到本地
    # myself = input('Please input your QQ: ')
    # upwd = input('Please input your password: ')
    # friend = input('Please input your friend QQ: ')
    # save_path = 'd:/' + friend + '.csv'
    # get_shuoshuo(myself, upwd, friend, save_path)
    # 进行说说分析,并生成词云
    shuoshuo_analysis('d:/me.csv')

Something worth noting

1.python版本: 3.6.3
2.生成的csv文件,在shuoshuo_analysis()中直接调用,会报错,至少我这边是这样的
  解决方案:
    对打开生成的csv文件,对其另存为普通的csv文件[不是那个utf8格式的csv]
    然后用记事本打开,复制里面的内容;再用sublime打开(应该是乱码的),
    将复制的内容覆盖原有的乱码内容,同时save as utf-8
    shuoshuo_analysis()调用这个文件
  为什么不在最初就保存为utf-8格式的csv文件呢?
    直接保存为csv utf-8格式,打开不会乱码,但是在读取时,第一行数据有问题,其他正常
3.制作词云图片时,选择的背景图片,最好是对比度比较明显的
4.scipy.misc.imread 自 SciPy 1.0(2017) 起已移除,统一改用 imageio.imread(pip install imageio) 读取词云背景图
5.selenium 的 find_element_by_id 等旧 API 已在 Selenium 5 中移除,应使用 driver.find_element(By.ID, ...) 等显式定位方式
6.selenium 4.6+ 内置 Selenium Manager,首次运行会自动下载驱动,无需再手动下载 chromedriver.exe
7.xlwt/xlutils 已基本停止维护,新代码建议改用 openpyxl 读写 Excel

Github Source Code