爬虫及文本分析心得(For The NewYork Times, The Washington Post,Los Angeles Times, Chicago Tribune)

本文主要是介绍爬虫及文本分析心得(For The NewYork Times, The Washington Post,Los Angeles Times, Chicago Tribune),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

最近有好人相助,重新拾起了爬虫
爬…


本次爬虫用了之前学一半就半途而废的scrapy,上次用到爬虫感觉是一两年前的事了,现在已经是学校的老油条了,年龄大了就容易健忘,重新去学这些东西真是废了不少功夫,现在做的差不多了,就写点东西记录一下,防止以后忘了自己做过爬虫这件事。


之前用爬虫,就是利用request下载网页,然后解析,使用re做pattern然后去find_all,之后学了一点scrapy,但是后来的后来就没用过这个东西做过什么实际的玩意,这次接到任务,想想就用scrapy吧。

太久没学了,我是从官网的Scrapy Tutorial入手的,不要害怕英语呢,其实没这么难,而且我是看懂英语然后真正地实现了就有一种自豪感哈哈哈哈哈,这样也可以在遇到问题之后在更大的平台交流(这段时间还给国外一作者发邮件也是成就满满)

遇到问题我十分推荐大家想到什么搜什么(当然可能会浪费大量的时间,对于我就是少打两把王者了),查一查,真的是:只有想不到,没有做不到

这样做行不行.......哇,这都能行。
彻彻底底贯穿了我整个爬虫项目

所以,搜索真的很有很有必要,自己造轮子实在太难了


  再来讲讲爬虫本身吧,本次我爬取了四个网站(The NewYork Times, The Washington Post,Los Angeles Times, Chicago Tribune),但是说实话,本次做的不好的是,我也没看过别人的爬虫项目,我也不知道我这样的方式是不是正确 >>>>>

  • 文本提取

  • 元素采集

  在了解了基本的scrapy的使用之后,我的流程仍是 解析网页->查找元素->获取信息->保存记录

  唯一不同的是本次使用了xpathcss方法,这很大程度提高了效率,但是要指出的是我不是科班出身,对于网页的构成我是不懂的,一直只能照猫画虎,在xpathcss的使用中,我发现元素似乎不能隔层查找。

  想法是这样,第一个xpath进行了粗定位,其中含有几个我想要的信息,第二个不同的xpath进行不同的查找,但是这样都不能奏效,这种原因我分析不太来,因此只能又回到了re模块。

 这里也严重吐槽有些网站时间戳都不能统一一个格式,也真是简直了,还得一个一个找再一个一个改。

  • 网站分析
     本次主要是在The Washington Post上出了很大的问题,利用scrapy的request是不能得到相应的元素,必须动用webdriver,但是每次浏览器自动出现真的让人很头大,可是很有意思的是-headless模式下又不能正常工作,我搜到的有说是因为User-Agent的缘故,但是我又不知道怎么修改User-Agent。所以也就只能使用正常模式下勉勉强强过日子。
     模拟点击也是一个很有意思的过程,感觉最专业的利用getpost,可是依然我都没有实现,我采用了webdriverfind_element_by_xpath进行定位并使用了click方法。
     这里还要再提出一点是,我还主动修改了webdriver.support.ui.WebDriverWait来满足我的等待时间需求,这也是极度有意思的事情。还有的是help是相当好用的内置函数,多看看源码也是最

  • 文本分析
     本次项目实际上查找一个主题,然后在时间上进行统计,但是爬取的文章总要进行筛选,自然而然的,因为学过机器学习这一类的东西,人工智能当然了!

然并卵...
 我最终只是根据提供的关键词文本与爬取的文章进行了以下计算
  1. 判断文章是不是的主体是不是我们想要的。
  2. 文章与提供的关键词文档相似度的计算
搜索'兔子吃草'
相似度筛选
爬虫程序
爬取的文章
狼怎么吃正在吃草的兔子
兔子为什么爱吃草
兔子吃哪些草
鹰怎么抓不吃草的兔子
兔子吃草
结果

 从上图中就可以知道为什么我们要进行对主体的判断==>各大网站提供的内容是宽泛的,
 以上图为例,我们其实想要的是主体是‘兔子’和‘吃草’,但是难免会得到一些相近又确实不是我们想要的,那么就必须经过筛选。我的方法十分简单,就是一篇文章,'兔子''吃草'这两个词汇出现超过一定次数则保留。通过检查,这个效果还是不错的。
 而相似度筛选中,我们预先找了一些关键词汇比如:

兔子除了草还吃萝卜
兔子吃紫甘蓝
兔子吃青青草原
.......

 利用TF-IDF进行了相似度计算,记录相似度,大概的图形如下:
相关系数计算,前面大部分的零是因为在主体筛选中将其滤去,强制为零

图 相关系数
前面大部分的零是因为在主体筛选中将其滤去,强制为零

 那么有了相关系数怎么确定我们想要的:

  1. 从这张图直观地看,从斜率开始迅速增加的点,我认为是一个临界点,之后的相关系数虽然头尾相差大,但我觉得其实也就是一两个词汇的问题,还有文章长短的影响等等
  2. 实际上我是自己进行人工筛选的,从相关系数的逐级向上挑选最终确定结果,因为篇数不多,要求的精确度也不高,反而觉得这个方法比1要好。

以上就是我的文本分析的过程,但要值得提出的是,上述的方法不是一口气的想好的,对于主体筛选的流程,就是在计算好相关系数,一篇一篇看,发现某些文章明明主体不是兔子但是得到的分数很高,然后慢慢慢慢找原因,最终有了这样的方法


总结

这个项目对我来说大概分为了两个内容:爬取和分析,这里再总结下感想。

  • 动脑想,网上搜,再动手
  • 能看懂网页的元素很重要,xpath css re等等选择器都是好方法
  • 胆子一定要大,干就是了!大不了重新撸
  • 想法很美好,现实很残酷。实用就好
  • 不着急,一步一步来就会做的更好

谢谢!

github入口

这篇关于爬虫及文本分析心得(For The NewYork Times, The Washington Post,Los Angeles Times, Chicago Tribune)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/389091

相关文章

Java程序进程起来了但是不打印日志的原因分析

《Java程序进程起来了但是不打印日志的原因分析》:本文主要介绍Java程序进程起来了但是不打印日志的原因分析,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Java程序进程起来了但是不打印日志的原因1、日志配置问题2、日志文件权限问题3、日志文件路径问题4、程序

Java字符串操作技巧之语法、示例与应用场景分析

《Java字符串操作技巧之语法、示例与应用场景分析》在Java算法题和日常开发中,字符串处理是必备的核心技能,本文全面梳理Java中字符串的常用操作语法,结合代码示例、应用场景和避坑指南,可快速掌握字... 目录引言1. 基础操作1.1 创建字符串1.2 获取长度1.3 访问字符2. 字符串处理2.1 子字

C#TextBox设置提示文本方式(SetHintText)

《C#TextBox设置提示文本方式(SetHintText)》:本文主要介绍C#TextBox设置提示文本方式(SetHintText),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑... 目录C#TextBox设置提示文本效果展示核心代码总结C#TextBox设置提示文本效果展示核心代

Python 迭代器和生成器概念及场景分析

《Python迭代器和生成器概念及场景分析》yield是Python中实现惰性计算和协程的核心工具,结合send()、throw()、close()等方法,能够构建高效、灵活的数据流和控制流模型,这... 目录迭代器的介绍自定义迭代器省略的迭代器生产器的介绍yield的普通用法yield的高级用法yidle

C++ Sort函数使用场景分析

《C++Sort函数使用场景分析》sort函数是algorithm库下的一个函数,sort函数是不稳定的,即大小相同的元素在排序后相对顺序可能发生改变,如果某些场景需要保持相同元素间的相对顺序,可使... 目录C++ Sort函数详解一、sort函数调用的两种方式二、sort函数使用场景三、sort函数排序

kotlin中const 和val的区别及使用场景分析

《kotlin中const和val的区别及使用场景分析》在Kotlin中,const和val都是用来声明常量的,但它们的使用场景和功能有所不同,下面给大家介绍kotlin中const和val的区别,... 目录kotlin中const 和val的区别1. val:2. const:二 代码示例1 Java

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An

Spring定时任务只执行一次的原因分析与解决方案

《Spring定时任务只执行一次的原因分析与解决方案》在使用Spring的@Scheduled定时任务时,你是否遇到过任务只执行一次,后续不再触发的情况?这种情况可能由多种原因导致,如未启用调度、线程... 目录1. 问题背景2. Spring定时任务的基本用法3. 为什么定时任务只执行一次?3.1 未启用