---

本文包含內(nèi)容：借助Python抓取微博數(shù)據(jù)，可以實現(xiàn)對 微博用戶信息 ， 微博內(nèi)容，微博點贊數(shù)評論數(shù)轉(zhuǎn)發(fā)數(shù)，評論內(nèi)容 等信息的抓取，并對抓取的數(shù)據(jù)進行情緒分析

代碼實現(xiàn)：微博用戶的行為與情感分析

爬蟲過程中如有問題請 留言 ，或者在github的代碼中開 issue ，我們會及時解答。

---

微博數(shù)據(jù)爬蟲

開始爬蟲之前請先了解

• Q：有哪些微博提供的數(shù)據(jù)是我們可以利用的？
  A：微博數(shù)據(jù)可以分為幾類： 博文 相關(guān)數(shù)據(jù)， 用戶信息 數(shù)據(jù)，單條微博 評論 數(shù)據(jù)， 社交關(guān)系 網(wǎng)絡(luò)數(shù)據(jù)。
  博文相關(guān)數(shù)據(jù) 包括：微博的URL，微博作者的ID，微博的內(nèi)容，發(fā)布的工具，微博發(fā)表時間，微博附帶圖的URL，轉(zhuǎn)發(fā)數(shù)，評論數(shù)，點贊數(shù)，是否是轉(zhuǎn)發(fā)的微博，源微博的URL
  用戶信息 數(shù)據(jù)包括：用戶ID，昵稱，所在省，所在市，個人簡介，生日，性別，會員等級，認證情況，微博發(fā)表數(shù)，粉絲數(shù)，關(guān)注數(shù)
  評論數(shù)據(jù) 包括：評論的URL，評論的用戶ID，weibo的URL，評論內(nèi)容，評論創(chuàng)建時間
  社交關(guān)系 網(wǎng)絡(luò)數(shù)據(jù)包括：關(guān)注者的用戶ID，被關(guān)注者的用戶ID
• Q：抓取哪個微博平臺的數(shù)據(jù)？
  A：微博包含有手機端，網(wǎng)頁端，即 weibo.cn 和 weibo.com ，對于爬取微博的數(shù)據(jù)這一任務(wù)而言，選擇 weibo.cn 是最好的，其網(wǎng)頁結(jié)構(gòu)更為簡單，解析網(wǎng)頁更為方便，并且?guī)缀醢怂形覀冃枰臄?shù)據(jù)，因此能用weibo.cn就不用其他的網(wǎng)站進行爬蟲。
• Q：微博爬蟲存在哪些難點？
  A：微博登錄是微博爬蟲的一個基礎(chǔ)，在爬蟲之前需要先實現(xiàn)微博的 自動登錄 ，weibo.cn 和 weibo.com 兩者的自動登錄方式是不一樣的，前者更為簡單，本文講解的是前者的數(shù)據(jù)爬蟲，其自動登錄方式為通過自動化工具 selenium 獲取 cookie ，之后攜帶cookie發(fā)出請求。
  另外，微博可能存在 封帳號 的問題，因此可以買好小號用 小號抓取數(shù)據(jù) 。微博小號購買地址
• Q：使用的是什么工具？
  A：本文介紹的是使用 scrapy 框架構(gòu)建爬蟲。給定初始的url，爬蟲工具就會將該頁面下載下來，并解析該頁面的信息，得到該頁面的微博數(shù)據(jù)，同時產(chǎn)生下一頁的地址，并接著去抓取下一頁
• Q：如果需要抓取大量的微博數(shù)據(jù)，有什么注意事項？
  A：與其他網(wǎng)站不同，微博不會封IP，因此不用構(gòu)建IP池，但是微博會存在封帳號的問題，因此需要構(gòu)建一個 賬號池 ，并針對賬號池中的所有賬號獲取cookie并存儲。賬號購買地址上面已經(jīng)提供了，本文在抓取數(shù)據(jù)時最多購買了40個賬號，進行多線程的大量微博數(shù)據(jù)抓取。

代碼實現(xiàn)

代碼實現(xiàn)地址：https://github.com/CUHKSZ-TQL/WeiboSpider_SentimentAnalysis

（一）利用高級搜索抓取指定微博

首先介紹附帶微博高級搜索功能的爬蟲步驟。請參考鏈接中的 WeiboSpider 文件夾中的內(nèi)容。

高級搜索意味著在抓取微博時，可以對目標微博的 發(fā)布時間，發(fā)布地點，包含的關(guān)鍵詞，是否為熱門微博 等進行限制，可以縮小爬蟲范圍，并且更具有實用性。一般而言如果要對抓取的數(shù)據(jù)進行分析，都會采用這一方法來明確抓取的微博類型。

本文提供的代碼可以抓取到 博文 相關(guān)數(shù)據(jù)， 用戶 相關(guān)數(shù)據(jù)以及 微博評論 相關(guān)數(shù)據(jù)。

步驟：

1. 安裝依賴
   mongodb
   phantomjs
   redis
   requirements.txt

2. 構(gòu)建賬號池
   購買微博小號
   將賬號密碼復(fù)制到 WeiboSpider/sina/account_build/account.txt
   運行 WeiboSpider/sina/account_build/login.py
   運行成功會顯示cookie創(chuàng)建成功

3. 修改 WeiboSpider/sina/redis_init.py 中的日期，關(guān)鍵詞，運行該文件進行微博檢索（代碼中默認抓取熱門微博，如需更改可將url中的sort設(shè)置為time）

4. 開始爬蟲：
   運行 WeiboSpider/sina/spider/weibo_spider.py 抓取目標數(shù)據(jù)
   建議采取多線程同時抓取，提高速度
   Mac用戶在命令行中輸入 scrapy crawl weibo_spider
   Windows用戶在命令行中輸入 scrapy runspider weibo_spider.py

爬蟲過程截圖：

（二）抓取任意微博數(shù)據(jù)

如果只是想要抓取任意微博，本文提供另外一種簡單的方法，可以抓取目標用戶的所有微博。請參考鏈接中的 WeiboSpiderSimple 文件夾中的內(nèi)容。

步驟：

1. 安裝依賴
   mongodb
   requirements.txt
2. 訪問 https://weibo.cn/ 并登陸，獲取對應(yīng)的cookie，將 WeiboSpiderSimple/sina/settings.py 中的cookie換成你自己獲取到的cookie

            
              DEFAULT_REQUEST_HEADERS = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.13; rv:61.0) Gecko/20100101 Firefox/61.0',
    'Cookie':'OUTFOX_SEARCH_USER_ID_NCOO=1780588551.4011402; browser=d2VpYm9mYXhpYW4%3D; SCF=AsJyCasIxgS59OhHHUWjr9OAw83N3BrFKTpCLz2myUf2_vdK1UFy6Hucn5KaD7mXIoq8G25IMnTUPRRfr3U8ryQ.; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9WFGJINkqaLbAcTzz2isXDTA5JpX5KMhUgL.Foq0e0571hBp1hn2dJLoIp7LxKML1KBLBKnLxKqL1hnLBoMpe0ec1h5feKMR; SUB=_2A252a4N_DeRhGeBI61EV9CzPyD-IHXVVly03rDV6PUJbkdAKLRakkW1NRqYKs18Yrsf_SKnpgehmxRFUVgzXtwQO; SUHB=0U15b0sZ4CX6O4; _T_WM=0653fb2596917b052152f773a5976ff4; _WEIBO_UID=6603442333; SSOLoginState=1536482073; ALF=1539074073'
}

            
          

3. 指定爬取的用戶ID將 WeiboSpiderSimple/sina/spider/weibo_spider.py 中的 start_uids 換成你想抓取的對象的微博ID。
4. 開始爬蟲，執(zhí)行 scrapy crawl weibo_spider 或者直接在pycharm當中運行 WeiboSpiderSimple/sina/spider/weibo_spider.py

爬蟲過程截圖：

---

文本情緒分析

工具及原理

基于Python的snowNLP庫作為情緒分析的模型。模型原理是機器學(xué)習(xí)中的樸素貝葉斯分類方法。在對文本進行分詞和去除停用詞等一系列基礎(chǔ)處理后，將單句評論的詞匯作為模型的特征：
$$({\omega }_1,{\omega }_2,...,{\omega }_n)$$ 再利用樸素貝葉斯公式打分：
$$P(C_1|{\omega }_1,{\omega }_2,...,{\omega }_n)=\frac{P({\omega }_1|C_1)...P({\omega }_n|C_1)P(C_1)}{P({\omega }_1)...P({\omega }_n)}$$ 其中 $C_1$ 代表積極類情緒，等式右邊的計算基于訓(xùn)練好的模型，分數(shù)越高代表語句越積極。實際上是計算了訓(xùn)練出的特征的條件概率。

數(shù)據(jù)預(yù)處理和模型訓(xùn)練

1. 利用 jieba 分詞工具進行分詞
2. 使用哈工大停用詞表去除停用詞
3. 基于 snowNLP 原有模型對數(shù)據(jù)進行積極和消極情感的分類
4. 得到情感標簽后，計算每個詞在全部文本、積極文本和消極文本的頻率，用以訓(xùn)練新的模型

代碼參考：Sentiment analysis.ipynb