Python 新浪微博 各种表情使用频率

主题：用新浪微博API积累了微博广场的1.4万条数据，我选择了21个字段输出为TXT文件，想用Python稍微处理一下，统计一下这1.4万条微博里面表情使用情况，统计结构在最后。

无聊的时候用了下新浪JAVA版的API，对JAVA还不熟悉，但是稍微改一下还是没问题的，数据保存为TXT文件，再用Python处理，JAVA部分很简单，Python部分只涉及到表情的正则提取，都不好意思写出来了。

1、调用新浪JAVA API下载微博广场数据
步骤思路：
初始化API的Weibo类，设置Token后，设置下载间隔，然后重复调用getPublicTimeline()函数就可以了，下面是主要类的代码：
这个不是完整的代码，没有初始化暂停间隔，可以掠过，很简单。

			 1 class WriteWeiboData{
    private int n;
    public WriteWeiboData(int count)
    {
        this.n=count;
    }
    public void Start(){
        System.setProperty("weibo4j.oauth.consumerKey", Weibo.CONSUMER_KEY);
        System.setProperty("weibo4j.oauth.consumerSecret", Weibo.CONSUMER_SECRET);
        try {
            //获取前20条最新更新的公共微博消息
            Weibo weibo = new Weibo();
            //weibo.setToken(args[0],args[1]);
            weibo.setToken("keystring", "keyscrect");
            for(int i=0;i<this.n;i++){
                System.out.print("Start to get weibo data num "+(i+1)+"\n");
                List<Status> statuses =weibo.getPublicTimeline();
                for (Status status : statuses) {
                    SaveData(status);
                }
                try{
                    System.out.print("Success to get weibo data num "+(i+1)+"\n");
                    System.out.print("Sleep for 30 seconds");
                    Thread.sleep(30000);
                }catch(Exception ee){
                    System.out.print("Sleep Error");
                }
            }
        } catch (WeiboException e) {
            e.printStackTrace();
        }
    }
    public void SaveData(Status status){
        //Return data format:
                //created_at,id,text,source,mid
                //user:id,screen_name,name,provience,city,location,description,url,domain,gender,
                //followers_count,friends_count,statuses_count,favourites_count,created_at,verified
                //annotations:server_ip
                try{
                    User user=status.getUser();
                    FileWriter fw=new FileWriter("F:/Sina.txt",true);
                    fw.write(status.getCreatedAt()+"\t"+status.getId()+"\t"+status.getText()+"\t"+
                    status.getSource()+"\t"+status.getMid()+"\t"+
                    user.getId()+"\t"+user.getScreenName()+"\t"+user.getName()+"\t"+
                    user.getProvince()+"\t"+user.getCity()+"\t"+user.getLocation()+"\t"+
                    user.getDescription()+"\t"+user.getURL()+"\t"+user.getUserDomain()+"\t"+
                    user.getGender()+"\t"+user.getFollowersCount()+"\t"+user.getFriendsCount()+"\t"+
                    user.getStatusesCount()+"\t"+user.getFavouritesCount()+"\t"+user.getCreatedAt()+"\t");
                    fw.write("\n");
                    fw.close();
                }
                catch(Exception e){
                    System.out.print("IO Error");
                }
    }
}

2、数据格式：

要取得数据就是微博内容，先练一下手玩玩。

3、Python处理数据
目标：查看微博用户表情使用情况，暂时只分性别，如果积累了合适的数据后可以分析各个时间段人们爱用哪种表情。
步骤：
$ 读取TXT文件，递归处理每一行
$ 单独提取出微博字段，正则提取表情字段，同时把性别提取出来，放到一个dict里面，dict的格式是：表情/女性使用频率/男性使用频率，递归处理，累积频率
$ 把结果写入到文件
注意：Python正则提取中文部分，先解码成unicode编码，再正则提取，表情的标志是[]，虽有误差，但无大碍。
代码：
__collection函数是处理函数，返回处理结果(dict)

			 1 class EmotionFrequent():
    infoFile='F:/Sina.txt'
    def __init__(self):
        pass
    def __collection(self):
        f=open(self.infoFile)
        d=dict()
        n=1
        for line in f.readlines():
            if line.strip()=='' or line.strip()=='\n':
                pass
            cols=line.split('\t')
            if len(cols)<20:
                continue
            n+=1
            es=[]
            #if cols[2].find('[')!=-1 and cols[2].find(']')!=-1:
            info=cols[2]
            for i in re.findall(r'\[\S+?\]',info.decode('utf-8')):
                data=i[1:-1].encode('utf-8')
                if d.has_key(data):
                    if cols[14]=='f':
                        d[data][0]+=1
                        d[data][2]+=1
                    else:
                        d[data][1]+=1
                        d[data][2]+=1
                else:
                    if cols[14]=='f':
                        d[data]=[1,0,1]
                    else:
                        d[data]=[0,1,1]
        print 'Total records num '+str(n)
        return d
        pass
    def WriteDict(self):
        d=self.__collection()
        f=open('F:/keys.txt','w')
        for k in d:
            f.write(k+'\t')
            f.write(str(d[k][0])+'\t')
            f.write(str(d[k][1])+'\t')
            f.write(str(d[k][2])+'\n')
        f.close()
        pass
    def Run(self):
        self.WriteDict()
    pass

脚本运行结果：

把结果放到EXCEL里面重新排序，得到如下结果：

至于怎么解读这个结果，有没有意义，各有各的想法

5、今晚才把正则认真看了一下，虽然很久之前就知道应该掌握正则表达式

6、没有写博客的习惯，写得难看见谅。

晚安

作者：L Cooper