抽取网络信息进行数据挖掘 建立语料库
最近的实习项目需要做一个大数据库(语料库),采集博客、微博、问答库的信息。将数据库的内容进行训练,最后应该是做成一个类似中文siri的模型吧。
第一步新闻抓取器已经稳定运行了,基本原理用的是爬虫去爬新闻门户网站的代码,可以看到各新闻节点是比较规范的:存在<li>或者<table>节点下,有标题、时间、新闻链接。
找到这些特征就好办了,通过Winista.HtmlParser把节点都提取出来。判断是否符合定义的新闻格式。
当然,这里用到正则表达式。
最近在看关于微博抓取的资料,发现数据挖掘这个领域太奇妙了。感慨自己学识有限啊。这里收集一些有意思的东西。先把一些东西备份,现在看不懂的,说不定以后能看懂。
1.获取新浪微博1000w用户的基本信息和每个爬取用户最近发表的50条微博
http://www.oschina.net/code/snippet_209440_13633?p=2#comments
虽然不懂python语言,但是有同学也在做这个,感觉以后肯定还是会接触到的。
但是这个方法不是那么好实现的,首先新浪API不会给普通用户每天50,000w这么多的连接数。你只能借用某个顶级应用的身份去获取,除了新浪官方或者ZF,谁还能这么牛B?
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
#!/usr/bin/python #-*-coding:utf8-*- from pprint import pprint from weibopy.auth import OAuthHandler from weibopy.api import API from weibopy.binder import bind_api from weibopy.error import WeibopError import time,os,pickle,sys import logging.config from multiprocessing import Process from pymongo import Connection mongo_addr = 'localhost' mongo_port = 27017 db_name = 'weibo' class Sina_reptile(): """ 爬取sina微博数据 """ def __init__(self,consumer_key,consumer_secret): self.consumer_key,self.consumer_secret = consumer_key,consumer_secret self.connection = Connection(mongo_addr,mongo_port) self.db = self.connection[db_name] self.collection_userprofile = self.db['userprofile'] self.collection_statuses = self.db['statuses'] def getAtt(self, key): try: return self.obj.__getattribute__(key) except Exception, e: print e return '' def getAttValue(self, obj, key): try: return obj.__getattribute__(key) except Exception, e: print e return '' def auth(self): """ 用于获取sina微博 access_token 和access_secret """ if len(self.consumer_key) == 0: print "Please set consumer_key" return if len(self.consumer_key) == 0: print "Please set consumer_secret" return self.auth = OAuthHandler(self.consumer_key, self.consumer_secret) auth_url = self.auth.get_authorization_url() print 'Please authorize: ' + auth_url verifier = raw_input('PIN: ').strip() self.auth.get_access_token(verifier) self.api = API(self.auth) def setToken(self, token, tokenSecret): """ 通过oauth协议以便能获取sina微博数据 """ self.auth = OAuthHandler(self.consumer_key, self.consumer_secret) self.auth.setToken(token, tokenSecret) self.api = API(self.auth) def get_userprofile(self,id): """ 获取用户基本信息 """ try: userprofile = {} userprofile['id'] = id user = self.api.get_user(id) self.obj = user userprofile['screen_name'] = self.getAtt("screen_name") userprofile['name'] = self.getAtt("name") userprofile['province'] = self.getAtt("province") userprofile['city'] = self.getAtt("city") userprofile['location'] = self.getAtt("location") userprofile['description'] = self.getAtt("description") userprofile['url'] = self.getAtt("url") userprofile['profile_image_url'] = self.getAtt("profile_image_url") userprofile['domain'] = self.getAtt("domain") userprofile['gender'] = self.getAtt("gender") userprofile['followers_count'] = self.getAtt("followers_count") userprofile['friends_count'] = self.getAtt("friends_count") userprofile['statuses_count'] = self.getAtt("statuses_count") userprofile['favourites_count'] = self.getAtt("favourites_count") userprofile['created_at'] = self.getAtt("created_at") userprofile['following'] = self.getAtt("following") userprofile['allow_all_act_msg'] = self.getAtt("allow_all_act_msg") userprofile['geo_enabled'] = self.getAtt("geo_enabled") userprofile['verified'] = self.getAtt("verified") # for i in userprofile: # print type(i),type(userprofile[i]) # print i,userprofile[i] # except WeibopError, e: #捕获到的WeibopError错误的详细原因会被放置在对象e中 print "error occured when access userprofile use user_id:",id print "Error:",e log.error("Error occured when access userprofile use user_id:{0}\nError:{1}".format(id, e),exc_info=sys.exc_info()) return None return userprofile def get_specific_weibo(self,id): """ 获取用户最近发表的50条微博 """ statusprofile = {} statusprofile['id'] = id try: #重新绑定get_status函数 get_status = bind_api( path = '/statuses/show/{id}.json', payload_type = 'status', allowed_param = ['id']) except: return "**绑定错误**" status = get_status(self.api,id) self.obj = status statusprofile['created_at'] = self.getAtt("created_at") statusprofile['text'] = self.getAtt("text") statusprofile['source'] = self.getAtt("source") statusprofile['favorited'] = self.getAtt("favorited") statusprofile['truncated'] = self.getAtt("ntruncatedame") statusprofile['in_reply_to_status_id'] = self.getAtt("in_reply_to_status_id") statusprofile['in_reply_to_user_id'] = self.getAtt("in_reply_to_user_id") statusprofile['in_reply_to_screen_name'] = self.getAtt("in_reply_to_screen_name") statusprofile['thumbnail_pic'] = self.getAtt("thumbnail_pic") statusprofile['bmiddle_pic'] = self.getAtt("bmiddle_pic") statusprofile['original_pic'] = self.getAtt("original_pic") statusprofile['geo'] = self.getAtt("geo") statusprofile['mid'] = self.getAtt("mid") statusprofile['retweeted_status'] = self.getAtt("retweeted_status") return statusprofile def get_latest_weibo(self,user_id,count): """ 获取用户最新发表的count条数据 """ statuses,statusprofile = [],{} try: #error occur in the SDK timeline = self.api.user_timeline(count=count, user_id=user_id) except Exception as e: print "error occured when access status use user_id:",user_id print "Error:",e log.error("Error occured when access status use user_id:{0}\nError:{1}".format(user_id, e),exc_info=sys.exc_info()) return None for line in timeline: self.obj = line statusprofile['usr_id'] = user_id statusprofile['id'] = self.getAtt("id") statusprofile['created_at'] = self.getAtt("created_at") statusprofile['text'] = self.getAtt("text") statusprofile['source'] = self.getAtt("source") statusprofile['favorited'] = self.getAtt("favorited") statusprofile['truncated'] = self.getAtt("ntruncatedame") statusprofile['in_reply_to_status_id'] = self.getAtt("in_reply_to_status_id") statusprofile['in_reply_to_user_id'] = self.getAtt("in_reply_to_user_id") statusprofile['in_reply_to_screen_name'] = self.getAtt("in_reply_to_screen_name") statusprofile['thumbnail_pic'] = self.getAtt("thumbnail_pic") statusprofile['bmiddle_pic'] = self.getAtt("bmiddle_pic") statusprofile['original_pic'] = self.getAtt("original_pic") statusprofile['geo'] = repr(pickle.dumps(self.getAtt("geo"),pickle.HIGHEST_PROTOCOL)) statusprofile['mid'] = self.getAtt("mid") statusprofile['retweeted_status'] = repr(pickle.dumps(self.getAtt("retweeted_status"),pickle.HIGHEST_PROTOCOL)) statuses.append(statusprofile) return statuses def friends_ids(self,id): """ 获取用户关注列表id """ next_cursor,cursor = 1,0 ids = [] while(0!=next_cursor): fids = self.api.friends_ids(user_id=id,cursor=cursor) self.obj = fids ids.extend(self.getAtt("ids")) cursor = next_cursor = self.getAtt("next_cursor") previous_cursor = self.getAtt("previous_cursor") return ids def manage_access(self): """ 管理应用访问API速度,适时进行沉睡 """ info = self.api.rate_limit_status() self.obj = info sleep_time = round( (float)(self.getAtt("reset_time_in_seconds"))/self.getAtt("remaining_hits"),2 ) if self.getAtt("remaining_hits") else self.getAtt("reset_time_in_seconds") print self.getAtt("remaining_hits"),self.getAtt("reset_time_in_seconds"),self.getAtt("hourly_limit"),self.getAtt("reset_time") print "sleep time:",sleep_time,'pid:',os.getpid() time.sleep(sleep_time + 1.5) def save_data(self,userprofile,statuses): self.collection_statuses.insert(statuses) self.collection_userprofile.insert(userprofile) def reptile(sina_reptile,userid): ids_num,ids,new_ids,return_ids = 1,[userid],[userid],[] while(ids_num <= 10000000): next_ids = [] for id in new_ids: try: sina_reptile.manage_access() return_ids = sina_reptile.friends_ids(id) ids.extend(return_ids) userprofile = sina_reptile.get_userprofile(id) statuses = sina_reptile.get_latest_weibo(count=50, user_id=id) if statuses is None or userprofile is None: continue sina_reptile.save_data(userprofile,statuses) except Exception as e: log.error("Error occured in reptile,id:{0}\nError:{1}".format(id, e),exc_info=sys.exc_info()) time.sleep(60) continue ids_num+=1 print ids_num if(ids_num >= 10000000):break next_ids.extend(return_ids) next_ids,new_ids = new_ids,next_ids def run_crawler(consumer_key,consumer_secret,key,secret,userid): try: sina_reptile = Sina_reptile(consumer_key,consumer_secret) sina_reptile.setToken(key, secret) reptile(sina_reptile,userid) sina_reptile.connection.close() except Exception as e: print e log.error("Error occured in run_crawler,pid:{1}\nError:{2}".format(os.getpid(), e),exc_info=sys.exc_info()) if __name__ == "__main__": logging.config.fileConfig("logging.conf") log = logging.getLogger('logger_sina_reptile') with open('test.txt') as f: for i in f.readlines(): j = i.strip().split(' ') p = Process(target=run_crawler, args=(j[0],j[1],j[2],j[3],j[4])) p.start()
2、MetaSeeker抓取新浪微博
不知为啥博客园对此网站设定为非法词汇
只能截图了
基于FireFox浏览器插件的工具,功能很强大,原理应该是基于DOM的网页结构分析和正则表达式提取。
不过使用者貌似不需要了解很多,只要按照教程掌握使用方法既可以轻松抓取内容。不过只能说是半自动的,貌似数据还得传到云端。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
既然知道这个东西的人,那我就不做详细介绍了,简单地说,就是一个firefox上的插件,可以抓取web页面上的信息。这里就用新浪微博为范例,说明一下如何使用MetaStudio。 首先,在firefox中登陆微博(这里建议登陆Xweibo,一个新浪的开放平台,对于抓取数据更为便利http://demo.x.weibo.com/)。任意打开某个人的微博,我想要抓取这个人所发过的所有的微博,怎么办?好吧,如果你想手工一条一条来或者手工一页一页来也行啊。不开玩笑,这里使用MetaStudio抓取数据。 打开了某个人的微博之后,打开插件MetaStudio,在地址栏中输入同样的网址。并将地址栏右侧的可选项打上勾。之后,在右侧Theme Editor里面,输入你的主题名,这个是任意的。假设我输入的是“dang1”作为主题名。等到下方会出现那个微薄的页面。之后建议将这个页面一直往下拖到底,如果拖到底之后它会继续刷新,那你就继续拖,直到它不刷为止。这个时候,打开菜单栏中的文件,点击“刷新DOM”。然后就进入下一步。 在右侧选择Clue Editor选项卡,点击newClue。单选的那个点,选择Marker。NewClue左侧旁边的两个也要勾上。为了以防万一,可以再刷新一下DOM。点击下面,浏览器当中的下一页。这个是要作为翻页的节点记号。然后再左边的那段地方,上下拖拉直到找到被选中的那一行。展开它,然后选择SPAN下面的#text,注意选中它之后,右边的文本内容会显示为下一页。右击这个#text,线索映射,记号映射。之后向上找到class名为list-footer的那一行,右击,线索映射,线索映射,s_clue 0。 接下来,点击Bucket Editor选项卡,点击newBckt。随便取个名字(如abc),点击确定。此时右边会出现一个abc。右击abc,添加包容。这个部分就根据自己的需要来设定。加入这里我要想抓取微博发出来的时间,评论数,转发数,内容这四点。那我就在信息属性里面填写内容,选上key,然后确定。同样的方法添加其他的包容。然后来到下方浏览器里面,任意点击一条微博的内容,然后又在左侧找到选中的那一行。找到#text是该条微博内容的一行,右击,内容映射,内容。往上找到feed-content,右击,FreeFormat映射,abc。然后其他的包容也是用相同的方法,只是可以省略feed-content这一步。最后,在菜单配置里面只选中积极模式,首选项里面都选中偏向class。。点击右上角的保存,搞定!
3、 ROST DetailMinner——武汉大学ROST虚拟学习团队开发的一款用于采集网页信息的情报分析软件
http://www.fanpq.com/
4、关于使用R语言对微博进行提取和信息可视化的东西
http://chen.yi.bo.blog.163.com/blog/static/15062110920120151191189/
挺有意思的,第一次听说R语言,词云和传播途径形成可视化确实让我眼前一亮。
主要的启发是,去weibo.cn(微博手机版)提取信息!因为weibo.com的源码貌似加密了。看不到实际的文字。
由于本人专业电子的(不务正业),对数据挖掘领域知识欠缺,欢迎拍砖。当然也是记录自己学习进步的过程。