MyException - 我的异常网
当前位置:我的异常网» 行业应用 » 演练利用爬虫监测论坛贴吧

演练利用爬虫监测论坛贴吧

www.MyException.Cn  网友分享于:2018-03-12  浏览:0次
演示利用爬虫监测论坛贴吧

舆情监测和管都是从信息的获取入手。和使用代码(例如Py)自己写爬虫相比,没有代码基础的人 一些可视化工具,也可以实现一样的效果。下面就以八爪鱼为例演示 爬虫监控论坛、贴吧的全过程。



在开始之前,可以先参考一下这些文章,希望有帮助:
演示 爬虫监测网页评论
演示 爬虫监测论坛贴吧
演示 爬虫监测微博


 

先概括说一下具体步骤:

1、准备好爬虫并执行,并建立对应的数据库表

2、制定更新计划

3、对数据进行可视化、文本语义等分析

这样三步,即完成了数据的获取、存储和管理、分析。

 

 

第一步:准备好爬虫,并建立对应的数据库表

 

百度贴吧贴子列表收集:

重新播放完整动图


这里演示某个贴吧内所有贴子列表的抓取。
贴子内正文和回贴详情,也是一样的制作方法。
需要注意的是,给“ 翻页”设置上3-5秒的ajax延时,就不会出错了。规则制作大约耗时1分钟左右。

 

新手做网页收集,对于AJAX可能比较不好理解。但是有些AJAX动态加载的情况,必须要设置好延时才行。
有一个方法,可以让新手不受ajax影响:方法就是给每个 动作设置3-5秒的ajax延时,如果这个 是动态加载,设置了延时就不会出错;如果不是动态加载,还可以 新网页的打开时间。
如果不想浪费时间在判断ajax上,就都设置上延时,就可以了。

 

这次收集结果,建一个对应的数据库表,包括标题、网址等字段。设置“网址”一列为unique,每次更新收集列表,只收录最新的贴子。

 

论坛收集。这里以天涯论坛为例:

重新播放完整动图


按上面动图演示的,大概1分钟左右就能完成规则制作。
自动翻页的XPATH进行了自定义,因为智能识别的不准确,改成//a[text()='下页'] 才能正确 到翻页按钮。修改方法可以参考动图中的演示。

 

 

可以自己试一试,模仿着做贴吧的主贴 贴爬虫;论坛的贴子列表爬虫。是一样原理的。

 

好了,这样贴吧和论坛的数据就搞定了。应用简单的数据库管理,把这些获取的内容放到数据库中,或者直接使用都可以。

 

第二步:制定更新计划

可以每天收集一次列表,或者几天、一周都可以,根据具体的需要。

每次更新,先花一点时间,快速获取最新的贴子列表,并导入数据库中。

如果只需要监控最新贴子的动态,可以只导出新发布的贴子的网址,相比每次全部收集一遍判断是不是新贴,在数据库中过筛选出新贴再依次收集效率更高。

如果需要监控全部回贴,就导出所有贴子网址,依次进行收集。有些网站,对于频繁访问可能有防爬措施,八爪鱼内置了 IP资源、自动切换IP、UA、自动识别验证码、 速度等功能,可以解决这些问题。

 

第三步:对评论进行可视化、文本语义等分析

 

重新播放完整动图

如上图,收集结果导入“智能分析”,可以一键可视化,提取关键词等。非常方便。

 

以上,就是一次 爬虫技术获取论坛贴吧内容、 简单的数据库管理技术、可视化智能分析使用数据的全程演示,希望对大家有帮助。

文章评论

程序员的鄙视链
程序员的鄙视链
Java程序员必看电影
Java程序员必看电影
程序猿的崛起——Growth Hacker
程序猿的崛起——Growth Hacker
程序员眼里IE浏览器是什么样的
程序员眼里IE浏览器是什么样的
要嫁就嫁程序猿—钱多话少死的早
要嫁就嫁程序猿—钱多话少死的早
程序员的一天:一寸光阴一寸金
程序员的一天:一寸光阴一寸金
看13位CEO、创始人和高管如何提高工作效率
看13位CEO、创始人和高管如何提高工作效率
初级 vs 高级开发者 哪个性价比更高?
初级 vs 高级开发者 哪个性价比更高?
如何成为一名黑客
如何成为一名黑客
那些争议最大的编程观点
那些争议最大的编程观点
我跳槽是因为他们的显示器更大
我跳槽是因为他们的显示器更大
程序员应该关注的一些事儿
程序员应该关注的一些事儿
程序员必看的十大电影
程序员必看的十大电影
写给自己也写给你 自己到底该何去何从
写给自己也写给你 自己到底该何去何从
程序员和编码员之间的区别
程序员和编码员之间的区别
我的丈夫是个程序员
我的丈夫是个程序员
旅行,写作,编程
旅行,写作,编程
2013年美国开发者薪资调查报告
2013年美国开发者薪资调查报告
2013年中国软件开发者薪资调查报告
2013年中国软件开发者薪资调查报告
Web开发人员为什么越来越懒了?
Web开发人员为什么越来越懒了?
聊聊HTTPS和SSL/TLS协议
聊聊HTTPS和SSL/TLS协议
5款最佳正则表达式编辑调试器
5款最佳正则表达式编辑调试器
 程序员的样子
程序员的样子
Web开发者需具备的8个好习惯
Web开发者需具备的8个好习惯
总结2014中国互联网十大段子
总结2014中国互联网十大段子
代码女神横空出世
代码女神横空出世
10个帮程序员减压放松的网站
10个帮程序员减压放松的网站
如何区分一个程序员是“老手“还是“新手“?
如何区分一个程序员是“老手“还是“新手“?
“懒”出效率是程序员的美德
“懒”出效率是程序员的美德
为什么程序员都是夜猫子
为什么程序员都是夜猫子
科技史上最臭名昭著的13大罪犯
科技史上最臭名昭著的13大罪犯
老美怎么看待阿里赴美上市
老美怎么看待阿里赴美上市
10个调试和排错的小建议
10个调试和排错的小建议
Java 与 .NET 的平台发展之争
Java 与 .NET 的平台发展之争
老程序员的下场
老程序员的下场
每天工作4小时的程序员
每天工作4小时的程序员
一个程序员的时间管理
一个程序员的时间管理
Google伦敦新总部 犹如星级庄园
Google伦敦新总部 犹如星级庄园
十大编程算法助程序员走上高手之路
十大编程算法助程序员走上高手之路
程序员周末都喜欢做什么?
程序员周末都喜欢做什么?
什么才是优秀的用户界面设计
什么才是优秀的用户界面设计
程序员都该阅读的书
程序员都该阅读的书
团队中“技术大拿”并非越多越好
团队中“技术大拿”并非越多越好
“肮脏的”IT工作排行榜
“肮脏的”IT工作排行榜
不懂技术不要对懂技术的人说这很容易实现
不懂技术不要对懂技术的人说这很容易实现
为啥Android手机总会越用越慢?
为啥Android手机总会越用越慢?
中美印日四国程序员比较
中美印日四国程序员比较
那些性感的让人尖叫的程序员
那些性感的让人尖叫的程序员
鲜为人知的编程真相
鲜为人知的编程真相
软件开发程序错误异常ExceptionCopyright © 2009-2015 MyException 版权所有