练习一个从数据采集分析到展示的过程

Posted 2022-12-12 一加六

很早之前写的一个舆论监测的小东西，虽然最终没有用到。
首页数据总览

热度排行榜TOP10

趋势观察


词云展示

lda话题分析

简单分为三部分：数据采集、数据分析、数据展示
信息来源都是面向公众的媒体平台，像微博、贴吧、知乎、微信这些，主要搜集关于某个主题文本信息。
爬下来的信息做了些初步的统计信息，和一些简单分析如上图。

剖析项目结构

第一部分 数据采集（即爬虫）

用python写的爬虫
爬虫结构

用到的库

各平台的反扒很多文章都有方法介绍，我是各个击破，综合到一起来着。
download模块
通用下载模块，对网页内容下载
parser模块
请求到的信息格式微博、知乎是json格式，只需json.loads下来取某个key的values即可，微信、贴吧等是html网页源码格式，我使用的是BeautifulSoup库，soup.find_all()很顺手，使用lxml库的etree的xpath语法虽更简单，但是有时因为一个元素去改整个得到list很是麻烦
dataoutput
数据储存，我用的是mysql

#数据统一格式
mdata = 
		 'plantform': 'weibo', 
		 'mtimestamp': create_time, 
		 'hotnum': hotnum, 
         'url': url, 
         'title': content,
         'comments': comments, 
         'username': username
         

如上保存信息格式储存nosql数据库中更为方便
spidermain
调度模块，将前面三个模块综合起来
代码量：爬虫部分大概900行代码

本地调试完成，就可上传Linux服务器，设置定时任务，每天抓取，做为数据分析的基础

第二部分 数据处理分析

原始数据如上图
数据标记 (id)是拼接两个字段的值(plantform+title),大概率保证了信息的唯一性，同时也对同一title的信息内容更新比较友好。
储存内容 字段时需要对一些特殊字符过滤处理，一方面防止引起编码错误，和sql语句错误，例如 “#” 会当成注释
储存时间 均使用时间戳储存，取出时再转换成日期格式，
数据查重和更新 id使库里的数据具有唯一性，储存数据时遍历比较id即可，若id已存在，则进行更新，更新改变的数据如事件热度、url、comments等易改变的字段

update_sql = "UPDATE TABLENAME SET " \\
                         "feeling='feeling'," \\
                         "hotnum='v0'," \\
                         "URL='v1'," \\
                         "COMMENTS='v2' " \\
                         "WHERE " \\
                         "myid='v3'" \\
                        .format(TABLENAME=self.__tablename,
                                feeling=feeling,
                                v0=item['hotnum'],
                                v1=item['url'],
                                v2=comments,
                                v3=item_str)

数据统计 根据字段内容分组统计，例如我的plantform字段下有weibo、weixin、tieba、zhihu等几个内容，按此查询group by plantform，几个平台的数据总览就出来了。
根据时间统计 统计每天的数据，以此观察信息发布的趋势，情绪态度的变化趋势。还写了一个py脚本，将mysql里每天的信息做统计建新表，提高查询信息效率。如下新建表字段：

词频统计 将title、comment字段下的内容查询先使用分词工具jieba分词、去停用词等预处理，统计即可，导入用户自定义词典分词更准确一些。
情感分析 一是使用snownlp，但是结果很难让人满意。
二是使用情感词典(玻森情感词典)，如下，会有11万词的评分，使用使就是遍历该词典，结果得分一般是加和计算。

我对比后选择了后者。
话题聚类 将信息进行主题聚类，发现讨论的话题，
这里我使用的是lda主题模型，目标是找到每一篇文档的主题分布和每一个主题中词的分布，根据每个主题词的分布，我们加以概括这个主题，该主题下的文章内容我称之为一个讨论话题。
再处理文本之前先进行文本预处理，切词、去停用词，标记文档，参数调整，再训练模型即可，过程原理大家感兴趣可以找相关文档看。

代码量 统计分析部分大概500行代码

第三部分 数据展示

web页面来展示内容
图表更能直观的反映数据变化趋势，善用图表会有奇迹般效果。

首页我放置的是一个饼图，pycharts实现，查询情绪指数，将情绪指数在某个阈值内划分范围，分出积极、中性和消极三个等级，右侧放置各平台抓取的信息总数。每个图表连接新的页面展示该平台的详细数据。
趋势图是select新表中的数据，填充到pycharts实例中，将时间戳转换为日期格式倒序排列，生成时间变化趋势图。
词云部分将title、comments文本信息查询，做词频统计，然后再将词-词频数据填充到pycharts词云实例。
使用flask做web页面展示、pycharts作图，现学现用，不难。
代码量 该部分不算前端代码只有100行。
总体代码量 1600行代码，哈哈哈！

每一部分的东西都是之前几个学期学的东西，零零散散组了起来。