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

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

使用Python实现文本转语音(TTS)并播放音频

《使用Python实现文本转语音(TTS)并播放音频》在开发涉及语音交互或需要语音提示的应用时,文本转语音(TTS)技术是一个非常实用的工具,下面我们来看看如何使用gTTS和playsound库将文本... 目录什么是 gTTS 和 playsound安装依赖库实现步骤 1. 导入库2. 定义文本和语言 3

Python实现常用文本内容提取

《Python实现常用文本内容提取》在日常工作和学习中,我们经常需要从PDF、Word文档中提取文本,本文将介绍如何使用Python编写一个文本内容提取工具,有需要的小伙伴可以参考下... 目录一、引言二、文本内容提取的原理三、文本内容提取的设计四、文本内容提取的实现五、完整代码示例一、引言在日常工作和学

C++ 各种map特点对比分析

《C++各种map特点对比分析》文章比较了C++中不同类型的map(如std::map,std::unordered_map,std::multimap,std::unordered_multima... 目录特点比较C++ 示例代码 ​​​​​​代码解释特点比较1. std::map底层实现:基于红黑

Spring、Spring Boot、Spring Cloud 的区别与联系分析

《Spring、SpringBoot、SpringCloud的区别与联系分析》Spring、SpringBoot和SpringCloud是Java开发中常用的框架,分别针对企业级应用开发、快速开... 目录1. Spring 框架2. Spring Boot3. Spring Cloud总结1. Sprin

Spring 中 BeanFactoryPostProcessor 的作用和示例源码分析

《Spring中BeanFactoryPostProcessor的作用和示例源码分析》Spring的BeanFactoryPostProcessor是容器初始化的扩展接口,允许在Bean实例化前... 目录一、概览1. 核心定位2. 核心功能详解3. 关键特性二、Spring 内置的 BeanFactory

Java实现将Markdown转换为纯文本

《Java实现将Markdown转换为纯文本》这篇文章主要为大家详细介绍了两种在Java中实现Markdown转纯文本的主流方法,文中的示例代码讲解详细,大家可以根据需求选择适合的方案... 目录方法一:使用正则表达式(轻量级方案)方法二:使用 Flexmark-Java 库(专业方案)1. 添加依赖(Ma

MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析

《MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析》本文将详细讲解MyBatis-Plus中的lambdaUpdate用法,并提供丰富的案例来帮助读者更好地理解和应... 目录深入探索MyBATis-Plus中Service接口的lambdaUpdate用法及示例案例背景