一、前言:
听说自媒体火了
听说自媒体平台多了
听说自媒体平台补贴高了
听说搞自媒体的人都赚翻了
……
我也想不撸码,投身于自媒体行业去~( ̄▽ ̄~)(~ ̄▽ ̄)~
二、引子:
前段时间拿到一个自媒体平台伪原创的采集器,嗯,长下面那样:
按照阅读量排序进行采集,选择高阅读量的文章,稍加修改,就是一篇自己的伪原创文章了,赶紧注册几个自媒体平台号,什么千家号、尾条号、北极熊号,每天发上几篇自己,坐等各大平台给自己送钱,创造被动收入、实现财务自由,指日可待(๑•̀ㅂ•́)و✧。
醒醒,快醒醒,现实分分钟打我脸(;´༎ຶД༎ຶ`)

所以还是安心撸码吧╮(╯_╰)╭
三、爬取数据
找页面找接口解析元素是一件很繁琐的过程,已经有一个现成的采集器,那就直接对它进行抓包。
用wireshake抓取到它的HTTP请求:
解析出来:
打开链接看看:
嗯,有了接口,那就直接写爬虫爬数据吧
头条号的ID直接使用采集器自带的(就是那么懒╮(╯▽╰)╭)
# coding:utf-8 import requests import json import pymongo # 链接MongoDB conn = pymongo.MongoClient(host='localhost',port=27017) toutiaohao = conn['toutiaohao'] news = toutiaohao['news'] headers = { 'Host': 'www.toutiao.com', 'User-Agent': 'Mozilla/4.0 (compatible; MSIE 9.0; Windows NT 6.1; 125LA; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022)', 'Connection': 'Keep-Alive', 'Content-Type': 'text/plain; Charset=UTF-8', 'Accept': '*/*', 'Accept-Language': 'zh-cn', 'Cookie': '__tasessionId=x57suhyhv1500091331200;cp=5969D943FCF37E1', } def scrap_toutiao(uid): url = 'http://www.toutiao.com/c/user/article/?page_type=1&user_id={uid}&max_behot_time=0&count=60&as=A175F9F659893C3&cp=5969D943FCF37E1'.format(uid=uid) resp = requests.get(url,headers=headers).text data = json.loads(resp,encoding='utf-8')['data'] if len(data) != 0: for d in data: try: category = d['chinese_tag'] except: category = '其他' result = { 'title':d['title'], 'readcount':d['go_detail_count'], 'category':category, 'comment':d['comments_count'], 'author':d['source'] } print(result) news.insert_one(result) with open('今日头条ID.txt',mode='r') as text: oneid = text.readlines() for i in oneid: print(i,end='') scrap_toutiao(uid=i) conn.close()
没用多进程多线程,没用代理池,没考虑异常处理,没有编码的规范性,嗯,就是写的菜鸡风格的爬虫。╮(﹀_﹀)╭
去MongoDB里面看看数据:

四、探索数据
脸皮薄,怕被骂ㄟ( ▔, ▔ )ㄏ
加载进pandas,来探索探索爬取到的数据
1、引入模块
import numpy as np import pandas as pd import pymongo import matplotlib.pyplot as plt
2、从mongodb中加载数据
# 链接MongoDB conn = pymongo.MongoClient(host='localhost',port=27017) toutiaohao = conn['toutiaohao'] news = toutiaohao['news'] data = pd.DataFrame(list(news.find())) del data['_id']
3、去除重复值
data = data.drop_duplicates(subset='title')
最后剩下11291条头条:
4、按照阅读量排序,看看前10都是些什么文章:
data = data.sort_values('readcount',ascending=False) data.head(10)
嗯,9条娱乐新闻,剩下一条,算是伦理新闻么(☄⊙ω⊙)☄
5、再看看各个类别的占比
data['category'].value_counts().reset_index()

plt.style.use('ggplot') plt.figure(figsize=(6,6)) plt.pie(data['category'].value_counts().reset_index()['category'],labels=data['category'].value_counts().reset_index()['index'])
plt.figure(figsize=(15,10)) plt.bar(np.arange(len(data['category'].value_counts().reset_index())),data['category'].value_counts().reset_index()['category']) plt.xticks(np.arange(len(data['category'].value_counts().reset_index())),data['category'].value_counts().reset_index()['index'],rotation=50)
娱乐新闻一骑绝尘,真是个娱乐至死的时代[]~( ̄▽ ̄)~*

6、最后看看各个头条号的阅读量
采集的数据中,一共包含210个头条号
阅读量前10位为:
data_groupby_author_to_readcount = data.groupby('author')['readcount'].sum().reset_index().sort_values('readcount',ascending=False) data_groupby_author_to_readcount.head(10)
前10的阅读量合计:
data_groupby_author_to_readcount.head(10)['readcount'].sum()
158309655
所有头条号的阅读量合计为:
data_groupby_author_to_readcount['readcount'].sum()
635325549
嗯,前10的头条号占了总流量的6分之一。
但是!!!前面所说的都没有什么屁用。
因为!!!通过统计显示,采集的210个头条号中,娱乐类的头条号占了157个┑( ̄Д  ̄)┍
data.drop_duplicates(subset='author').groupby('category')['author'].count().reset_index()
是不是很尴尬
嗯,不尴尬,重点在下面
五、机器学习——构建标题分类器
本来想做个根据标题来预测阅读量的例子,细想了一下,自己这渣水平还是不要自己找不痛快了。
那就做一个分类器吧。
根据标题预测阅读量的高低等级。
实现简单、容易理解d=====( ̄▽ ̄*)b
先看看数据的整体情况:
data.describe()
count 11291.0 mean 56268.3 std 176473.9 min 0.0 25% 295.0 50% 2601.0 75% 30703.0 max 3941170.0
嗯,平均阅读量为56268
也不清楚自媒体行业的阅读量等级标准,姑且就拿样本数据的分位值平均值作为标准吧,
高于中分位的为高阅读量,低于中分位的为低阅读量。
就这样愉快地决定了。o(*≧▽≦)ツ
生成一个新的阅读量等级序列:
data['level'] = data['readcount'].map(lambda x:1 if x >= 2601 else 0)
然后,对标题进行分词
import jieba data['fenci'] = data['title'].map(lambda x:' '.join(jieba.cut(x)))
数据就成了这样:
接下来提取数据,用于生成训练和测试数据:
X = data['fenci'].values y = data['level'].values
分割训练集和测试集:
from sklearn.cross_validation import train_test_split X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)
提取分词后的头条标题的文本特征:
from sklearn.feature_extraction.text import CountVectorizer,TfidfTransformer vectorizer = CountVectorizer() X_train_termcounts = vectorizer.fit_transform(X_train) tfidf_transformer = TfidfTransformer() X_train_tfidf = tfidf_transformer.fit_transform(X_train_termcounts)
使用朴素贝叶斯算法进行模型训练
from sklearn.neighbors import KNeighborsClassifier classifier = MultinomialNB().fit(X_train_tfidf,y_train) knn_classifier = KNeighborsClassifier().fit(X_train_tfidf,y_train)
这样一个朴素贝叶斯的模型就训练好了,我们用测试数据来进行预测一下:
X_test_termcounts = vectorizer.transform(X_test) X_test_tfidf = tfidf_transformer.transform(X_test_termcounts) predicted = classifier.predict(X_test_tfidf)
看看预测数据的准确率:
from sklearn.metrics import accuracy_score print('朴素贝叶斯分类器:',accuracy_score(y_test,predicted))

嗯,百分之六十的准确率……
这基本上也就告别实际应用了(ノへ ̄、)
拿本文的标题预测一下:
classifier.predict(tfidf_transformer.transform(vectorizer.transform(['从 数据 爬取 到 机器 学习——标题党 你的 标题 值 几何'])))

感人的0——感人的低。
看来没有投身自媒体的本事ε(┬┬﹏┬┬)3
继续为了温饱撸码去╥﹏╥…
文章版权所有:州的先生博客,转载必须保留出处及原文链接
我这代码运行怎么是空白呢,求解
用的Google拼音输入法?
这都被你发现了