快手刷赞器不用充值的：微博粉丝链接

发布时间：2024-11-15 07:15:53 来源：黑界卡盟官网 作者：时尚

源自：快学python

客官，快手想瞧瞧邓紫棋微博粉丝分布嘛，刷赞跟俺一起逛一逛吧。用充互联网拉新推广代理

本文主要有三个地方须要逛一逛：python爬虫，微博数据可视化，粉丝数据剖析

一、链接微博爬虫类型介绍

微博有关的快手爬虫，因为按照网址的刷赞不同，可分为三种类型：

1.联通端爬取：借助selenium去模拟登陆之后再去爬取，用充比较麻烦，微博而且可以依照个人需求根据关键词进行指定爬取。粉丝

2.手机端爬取：网址为手机端微博网址，链接这在我之前的快手博客中也有提到微博超话内容爬取，在此不再赘言。刷赞互联网拉新推广代理无需登陆，用充借助Chrome进行抓包即可实现，但是较selenium来说，性能也是更初一点。(不过要注意设置随机睡眠时间）

3.旧版网址爬取：这是微博最简化版本的网址weibo.cn(觉得回到了摩托罗拉的年代)，界面简单无需抓包，直接借助正则或则xpath等方法提取即可(须要领到登陆后的cookie值)

建议：假如只是爬取指定用户的评论、基本信息这种，后两种方式就够用了；倘若涉及到更复杂的需求时再考虑selenium爬取

二、明星粉丝信息爬虫

旧版的网址，粉丝数目只显示了前20页，一页10个，总共才200个。手机端下的粉丝列表总共也只能显示5000个，对于5000个以后的粉丝信息，微博出于隐私保护，是爬取不了。详尽的情况可参考新浪微博怎么获取用户全部粉丝列表

1.微博用户URL说明：旧版网址用户首页的URL为：用户ID手机端用户首页的URL为：用户ID以邓紫棋为例，她的ID为1705586121，首页如下：

她的粉丝信息抓包结果如下：

这儿的用户信息只有用户的简介(screen_name)、关注数(follow_count)、粉丝数(follow_count)，对应用户性别和地区是没有显示的。

所以，考虑先用手机端爬取用户ID，再用旧版网址登陆，提取信息。(旧版网址个人信息更全一些)

2.爬取邓紫棋粉丝所有的user_id考虑到部份用户可能是机器人，初步筛选条件为粉丝数小于等于20

import requests
import json
import random
import os
os.chdir('C:/Users/dell/Desktop')
import time
base_url='https://m.weibo.cn/api/container/getIndex?containerid=231051_-_fans_-_1705586121&since_id='
head=[
    "Opera/12.0(Windows NT 5.2;U;en)Presto/22.9.168 Version/12.00",
    "Opera/12.0(Windows NT 5.1;U;en)Presto/22.9.168 Version/12.00",
    "Mozilla/5.0 (Windows NT 5.1) Gecko/20100101 Firefox/14.0 Opera/12.0",
    "Opera/9.80 (Windows NT 6.1; WOW64; U; pt) Presto/2.10.229 Version/11.62",
    "Opera/9.80 (Windows NT 6.0; U; pl) Presto/2.10.229 Version/11.62",
]
header={ 
    'user-agent':random.choice(head)
}
with open('user_id.txt','w') as f:
    for page in range(2,251): #注意是从2开始才是用户信息
        try:
            url=base_url+str(page)
            r=requests.get(url,headers=header)
            data=json.loads(r.text)
            all_user=data['data']['cards'][0]['card_group']
            for user in all_user:
                fans=int(user.get('desc2').split('：')[1])
                if fans >=20:
                    f.write(str(user.get('user')['id'])+'\n')
            print('第{ }页用户id爬取完毕'.format(page))
            time.sleep(random.randint(1,3))
        except:
            print('未爬到数据')

爬取的部份用户ID如下：

3.以旧版微博网址，登陆后获取cookie，如右图所示：

获取后将下列代码中的cookie改为你自己的cookie即可

import numpy as np
import pandas as pd
import requests
from lxml import etree
import random
import time
header={ 'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.87 Safari/537.36',
       'cookie':'你自己的cookie',
       'accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
       }
url_new='https://weibo.cn/u/'
data=[]
count=0  
def  get_id(path):
 with open(path,'r') as f:
  user_list=f.readlines()
  user_id=np.char.rstrip(user_list,'\n')
  return user_id
def gethtml(url,header):
    r=requests.get(url,headers=header)
    if r.status_code==200:
        return r.text
    else:
        print('网络连接异常')
for user_id in get_id('user_id.txt'):
    try:
        url=url_new+user_id
        r_text=gethtml(url,header)
        html=etree.HTML(r_text.encode('utf-8'))
        user_name=html.xpath('//span[@class="ctt"]/text()')[0]
        inf=html.xpath('//span[@class="ctt"]/text()')[1]
        weibo_number=html.xpath('//div[@class="tip2"]/span[@class="tc"]/text()')[0].replace('微博','').strip('[]')
        focus_number=html.xpath('//div[@class="tip2"]/a[1]/text()')[0].replace('关注','').strip('[]')
        fan_number=html.xpath('//div[@class="tip2"]/a[2]/text()')[0].replace('粉丝','').strip('[]')
        data.append([user_name,inf,weibo_number,focus_number,fan_number])
        count+=1
        print('第{ }个用户信息写入完毕'.format(count))
        time.sleep(random.randint(1,2))
    except:
        print('用户信息不完全')
df=pd.DataFrame(data,columns=['user_id','inf','weibo_num','focus_num','fans_num'])
df.to_csv('weibo_user.csv',index=False,encoding='gb18030')

最终爬取到粉丝数目小于等于20的用户共10647个(多次爬取的结果)微博粉丝链接，清洗后的部份数据如下：

三、可视化

(1)粉丝性别占比

import matplotlib.pyplot as plt
import pandas as pd
plt.style.use('ggplot')
plt.rcParams['font.sans-serif']=['kaiti']
%config InlineBackend.figure_format='svg'
df=pd.read_csv('weibo_user.csv',encoding='gbk')
gender=pd.DataFrame(df['gender'].value_counts())
plt.pie(gender['gender'],
        labels=['女','男'],
        startangle=90,
        shadow=False,
        autopct='%1.1f%%',
        textprops={ 'fontsize': 13, 'color': 'w'},
        colors=['#f26d5b','#2EC4B6']
       )
plt.legend(loc='best')
plt.title('邓紫棋粉丝性别占比')
plt.axis('equal')   
plt.tight_layout()
plt.show()

从性别分布来看，女粉较男粉稍多一些

(2)全省粉丝分布情况注意：使用的是pyecharts最新版本

from pyecharts.charts import Map
from pyecharts import options as opts
import numpy as np
df=df[~df['loc'].isin(['其他'])]
loc=pd.DataFrame(df['loc'].value_counts())
city=np.char.rstrip(list(loc.index))
map1=Map(init_opts=opts.InitOpts(width="1200px",height="800px"))
map1.set_global_opts(
    title_opts=opts.TitleOpts(title="邓紫棋粉丝地区分布"),
    visualmap_opts=opts.VisualMapOpts(max_=1500, is_piecewise=True, #最大值由max_设置
    pieces=[
    { "max": 1500, "min": 1000, "label": ">1000", "color": "#754F44"},
    { "max": 999, "min": 600, "label": "600-999", "color": "#EC7357"},
    { "max": 599, "min": 200, "label": "200-599", "color": "#FDD692"},
    { "max": 199, "min": 1, "label": "1-199", "color": "#FBFFB9"},
    { "max": 0, "min": 0, "label": "0", "color": "#FFFFFF"},
    ], ))  #最大数据范围，分段

map1.add("",[list(z) for z in zip(city,loc['loc'])],
maptype='china',is_roam=False,
        is_map_symbol_show=False)
map1.render('fans_loc.html')

从地分辨布来看，广州粉最多(虽然紫棋是台湾歌手嘛)，其次辽宁、湖北、河南、山东、江苏、浙江等省份粉丝也较多，内陆边远地区粉丝分布较少如山西、云南、贵州等

(3)性别与地区交叉分布情况

import seaborn as sns
df_new=df[~df['loc'].isin(['其他'])]
index=df_new.groupby('loc').count().sort_values(by='gender',ascending=False).index
plt.figure(figsize=(15,6))
sns.countplot(data=df_new,x='loc',hue='gender',order=index,palette=['#f26d5b','#2EC4B6'])
plt.xticks(rotation=90)
plt.legend(loc='upper right')
plt.title('邓紫棋男女粉丝全国分布情况')
plt.xlabel('地区')
plt.ylabel('人数')
plt.show()

男粉少于女粉的地区有:江苏、北京、江苏、四川、上海等

女粉少于男粉的地区有:、河北、海外、辽宁、湖南等

(4)地区与粉丝类型交叉情况对用户粉丝量以0，100，500，1000，10000，100000为分隔点，界定为五种类型的用户：小透明、常驻博主，资深博主，微博红人，微博大V。并与地区进行交叉画图，如下所示

df=pd.read_csv('weibo_user.csv',encoding='gbk')
label=['小透明','常驻博主','资深博主','微博红人','微博大V']
df['fans_label']=pd.cut(df['fans_num'],bins=[0,100,500,1000,10000,100000],
                        labels=label)
df_new=df[~df['loc'].isin(['其他'])]
plt.figure(figsize=(15,6))
sns.countplot(x='loc',hue='fans_label',data=df_new,palette=['#754F44','#EC7357','#FDD692',                                         
'#8FBC94','#000000'],order = df_new['loc'].value_counts().index)
plt.legend(loc='upper right',frameon=False)
plt.xticks(rotation=90)
plt.ylabel('人数')
plt.xlabel('地区')
plt.title('不同粉丝类型在全国分布情况')
plt.show()

从上图可以得出以下三条推论：1.全省地区大部份用户的粉丝量都是高于100的

2.广州粉除了多，但是她们的粉丝人数也好多，具体表现为常驻博主、资深博主、微博红人均列全省第一。

3.一千粉至一万粉的用户除广州外微博粉丝链接，主要分布在海外、浙江、北京、上海等地区。其中，上海一万粉至十万粉(微博大V)的数目位居全国第一。据悉，微博大V还分布在湖南、海外、四川、上海、湖南

(5)用户微博数、关注数、粉丝量基本情况

gender_group=df.pivot_table(aggfunc=np.mean,
                            index=df['gender'],
                           values=df[['weibo_num','focus_num','fans_num']]).round(0)

f,ax=plt.subplots(1,3,figsize=(15,6))
sns.barplot(x=gender_group.index,y=gender_group['weibo_num'],
            palette=['#f26d5b','#2EC4B6'],alpha=0.8,ax=ax[0])
ax[0].set_title('男女粉丝平均微博数')
ax[0].set_xlabel('性别')
ax[0].set_ylabel('平均微博数')

sns.barplot(x=gender_group.index,y=gender_group['focus_num'],
            palette=['#f26d5b','#2EC4B6'],alpha=0.8,ax=ax[1])
ax[1].set_title('男女粉丝平均关注数')
ax[1].set_xlabel('性别')
ax[1].set_ylabel('平均关注数')

sns.barplot(x=gender_group.index,y=gender_group['fans_num'],
            palette=['#f26d5b','#2EC4B6'],alpha=0.8,ax=ax[2])
ax[2].set_title('男女粉丝平均粉丝数')
ax[2].set_xlabel('性别')
ax[2].set_ylabel('平均粉丝数')
plt.suptitle('邓紫棋粉丝微博基本信息') #子图添加总标题
plt.show()

在这儿插入图片描述

从饼图可知，男女粉丝数目相差不大。但平均微博数、关注数都要小于男粉丝，非常是平均微博数大致为男粉丝的两倍，由此可得出推论：相比男粉丝，女粉丝在微博活跃度会更高（缘由可能在于女粉时常转发爱豆的动态、为爱豆打榜之类的）

(6)微博数、关注量、粉丝量相关性

plt.figure(figsize=(10,6))
sns.heatmap(df[['weibo_num','focus_num','fans_num']].corr(),cmap='YlGn',annot=True)
plt.title('微博数、关注数、粉丝数相关热力图')
plt.show()

相关系数的范围在-1到1之间。越接近1，正相关性越强，越接近-1，负相关性越强。（其实这儿的相关性仅指线性相关性）从上图来看，基本上两者之间的相关性还是很弱的，也就微博数与关注数相关性相对较高三点，但仅有0.26。

结语

以上就是这篇文章的全部内容了，希望本文的内容对你们的学习或则工作具有一定的参考学习价值，感谢你们对小编的支持。

相关文章