积分商城

最新搜索： DS26C31 stm32 SI4732 IO操作 电气原理图 梯形加减速
您现在的位置是：首页 > 技术资料 > 基于Python聚焦型网络爬虫的影评获取技术
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于Python聚焦型网络爬虫的影评获取技术

更新时间：2019-12-22 20:50:57 大小：2M 上传用户：songhuahua查看TA发布的资源 标签：python网络爬虫 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

在大数据的环境下,网络资源越加丰富,传统的搜索引擎已经不能够满足大众获取信息的需求,随着计算机逐步的发展,网络爬虫的出现进入了人们的视野。本文主要讲述了网络爬虫的概念、模块以及操作流程,并通过给定的网址快速爬取影评信息,进行分词做成词云图形式展示出来。


部分文件列表

文件名 大小
基于Python聚焦型网络爬虫的影评获取技术.pdf 2M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
基于 Python 聚焦型网络爬虫的影评获取技术  
摘要：在大数据的环境下，网络资源越加丰富，传统的搜索引擎已经不能够满足大众获取信息  
的需求，随着计算机逐步的发展，网络爬虫的出现进入了人们的视野。本文主要讲述了网络爬虫的  
概念、模块以及操作流程，并通过给定的网址快速爬取影评信息，进行分词做成词云图形式展示出来。  
关键词：Python 爬虫 影评 正则表达式 词云  
● 郭向向ꢀ郑嘉慧ꢀ苗学芹  
当今互联网技术迅速发展，出现了包括大数据和云计  
算等等新型的技术，在如此庞大的数据量中获取自己想要  
的需要耗费大量的时间，搜索的结果准确率也不是很高。  
本文通过利用 Python 爬虫分类中的聚焦型爬虫网络系统，  
在指定的网页下抓取相关的信息。在本文的实验中通过在  
电脑网页中以手机用户的身份抓取猫眼网中最新电影《悲  
伤逆流成河》的影评信息，成功的爬取后保存到本地，接  
着利用 jieba 分词对下载好的影评信息进行过滤筛选，将高  
频率出现的词语通过影评词云图的形式展现在面前。这样  
的爬取信息大大的提高了爬取信息的准确性，提高了资源  
的利用率，节约了查找信息的时间，真正的实现了有目的  
性的抓取信息。ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ  
（二）页面处理  
进行页面处理时，首先需要对 HTML 相关的源代码进行  
过滤和处理，分析出需要的信息，然后再对分析出的结果进  
行整合。对应网页的 HTML 结构文档。  
（三）数据可视化分析  
数据可视化是数据分析很重要的一部分，它能够从繁杂  
的数据中更直观更有效的获取信息 . 当获取到影评信息之后，  
需要对数据进行可视化，首先需要做的是数据的清洗。第一，  
将所有的评论转化为字符串格式。第二，利用正则表达式匹  
配中文，去掉所有的标点符号。第三，对数据进行中文分词  
操作，并去掉数据中没有参考价值的虚词，实验中使用的是  
Jieba 分词。第四，最后调用 WordCloud 词云包，将数据用  
词云进行显示：plt.showꢀ（）  
一、基于 Python 的聚焦型网络爬虫架构  
三、爬虫实现  
（一）网络爬虫的定义及分类  
网络爬虫，又称网页蜘蛛，是一个功能强大的能够自动  
提取网页信息的程序。它模仿浏览器访问网络资源，从而获  
取用户需要的信息。网络爬虫主要分为四类：通用型爬虫、  
聚焦型爬虫、增量型爬虫、深层爬虫。  
本文以爬取猫眼电影《悲伤逆流成河》影评为例，详细  
讲解 Python 爬虫的实现原理 .  
（一）抓取网页数据  
步骤一：要想爬取网页，我们首先将其下载下来。我们  
选择最基础的方式使用 Python 的 urllih 模块进行下根据 url  
获取数据。  
（二）工作流程  
聚焦型网络爬虫的工作流程如下：第一：找出初始种子  
URL 的集合 . 第二：在该集合中将相应的 url 从确定的网站  
下载到本地，将相同的 url 队列放在一起。第三：对已经下  
载好的数据进行分析处理。第四：重复第二第三步骤，直到  
将所有的 url 进行完全抓取。  
步骤二：需要对得到的 html 代码进行解析，提取我们需  
要的数据。  
步骤三：存储下载好的影评到指定文件夹。  
下载数据的起始时间为 2018 年 11 月 3 日零点，截止时  
间为 2018 年 11 月 3 日中午 12 点。共 60 条评论数据。  
（二）用词云进行展示  
二、数据获取  
本文采用 Python 网络爬虫来进行处理，由于猫眼是一个  
反爬虫的网站，所以在做网络爬虫时，还需要进行浏览器访  
问模拟，通过对网页源代码的分析，用正则表达式来获取所  
需数据。所以本实验以爬取猫眼最新电影影评为例，详细讲  
解 Python 聚焦型爬虫的实现原理。  
步骤一：导入 jieba 等模块，并获取所有评论，获取已  
经下载好的影评。  
步骤二：设置分词，设置屏蔽词。对数据进行中文分词  
操作，并去掉数据中没有参考价值的词包括：电影、一部、  
一个、没有等等。  
（一）页面抓取  
步骤三：导入背景图。导入的背景图片只用于获取图片  
内形状，非在背景图片上加影评。本次作业导入的是葫芦娃  
背景。  
根据指定的 url，抓取猫眼网电影《悲伤逆流成河》页面。  
通过建立连接，发送 HTTP 请求 . 利用 Re-quests 建立与服  
务器的连接，当服务器接收到请求后，返回相应的 HTTP  
应答。  
步 骤 四： 将 分 词 后 数 据 传 入 云 图， 并 保 存。 调 用  
WordCloud 词云包，将数据用词云进行显示。以下是《悲伤  
时代金融  
71  
时 代 金 融  
逆流成河》词云图。  
的干扰 . 不过，若爬取的内容过多，Python 执行会花费很多  
时间，所以本文只获取 60 条影评数据。如果结合 Python 的  
多线程技术，再将一些诸如下载缓存优化和并发性等因素考  
虑在内的话，它的性能将会得到很大的改善。  
参考文献：  
［1］高宇，杨小兵 . 基于聚焦型网络爬虫的影评获取技  
术［J］. 中国计量大学学报，2018，29（03）：299-303.  
［2］田晓玲，方园，贾民政，赵熙雅 . 基于数据分析的  
关键词类网络爬虫设计［J］. 北京工业职业技术学院学报，  
2018，17（04）：36-43.  
［3］沈漪，华敏敏 . 基于 Python 正则表达式的彩票信  
息爬取［J］. 安徽电子信息职业技术学院学报，2018，17（05）：  
19-21.  
四、结束语  
［4］罗咪 . 基于 Python 的新浪微博用户数据获取技术  
［J］. 电子世界，2018（05）：138-139.  
网络爬虫作为新型获取目标信息的工具，其价值和使用  
前景都非常的大。本文中，针对性地爬取《悲伤逆流成河》  
影评数据，确保了数据的真实性与最新性，避免了无关数据  
（作者单位：云南师范大学泛亚商学院）  
（上接第 57 页）  
参考文献：  
四、金融企业并购其他风险与应对  
［1］巨潮资讯网，中国平安 2008-2017 年度报告 .  
［2］巨潮资讯网，深发展 Aꢀ2008-2011 年度报告 .  
［3］巨潮资讯网，平安银行 2012-2017 年度报告 .  
［4］《上市公司收购管理办法》（2014 年 10 月 23 日  
中国证券监督管理委员会令第 108 号）.  
本文主要从财务风险的角度，简要分析了金融企业并购  
过程中的并购价值评估、并购资金融资与支付，以及税务处  
理等主要财务风险的控制和管理。  
一般来说，按风险内容进行分类，企业风险可以分为战  
略风险、财务风险、市场风险、运营风险和法律风险等，金  
融企业并购作为企业一项重要的经济活动，自然会涉及上述  
各类风险，同时还具有并购业务的特殊风险，例如并购战略、  
管理、财务、人力以及文化整合风险，而且整合成功与否对  
企业并购成败的影响甚至是至关重要的。  
［5］《上市公司重大资产重组管理办法》（2016 年 9  
月 8 日中国证券监督管理委员会令第 127 号）.  
［6］《企业会计准则—企业合并》（财会［2006］3 号）.  
［7］《 企 业 风 险 管 理 —— 整 体 框 架》2004 年 美 国  
COSO 委员会发布 .  
金融企业在并购过程中，必须充分考虑各类风险，并将  
各类风险细化、分解，经过充分的讨论和论证，制订科学可  
行的并购方案，完善并购管理流程和内部控制措施，规避或  
者降低企业并购过程中存在的危险性风险因素产生的不利影  
响，提高金融企业并购工作效率和经济效益。  
［8］《财政部、国家税务总局关于促进企业重组有关  
企业所得税处理问题的通知》（财税〔2014〕109 号）.  
（作者单位： 东亚银行（中国）有限公司广州分行）  
72  
时代金融  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号