用Python教你如何爬取脉脉职言

Posted 2021-02-04 派森学python

脉脉是一个实名职场社交平台。之前爬了脉脉职言版块，大概爬了4027条评论，本文对爬取过程给出详细说明，对于评论内容仅做可视化分析，之前存了一堆这方面的文章，今天一看全都404了?。

 

爬虫

 

仍然使用python编程，对爬虫没兴趣的可以直接跳过看下部分，不影响悦读。

 

网址https://maimai.cn/gossip_list。

需要先登录才能看到里面的内容。爬取目标：

?

只爬文字部分，图片不考虑。

 

在浏览器内按F12打开开发者，向下滑，会看到很多gossip开头的json文件（不行的话刷新一下）

?

 

右键open in new tab，里面是一条一条记录，text后面是评论内容。

?

我们感兴趣的信息是下面这些

 

欢迎加入我的QQ群`923414804`与我一起学习，群里有我学习过程中整理的大量学习资料。加群即可免费获取

1. Python编程从入门到实践.pdf
2. Python编程快速上手——让繁琐工作自动化.pdf
3. Python高级编程.pdf
4. Python高性能编程.pdf
5. Python核心编程.第3版.pdf
6. Python极客项目编程.pdf
7. Python数据科学手册.pdf
8. 贝叶斯思维：统计建模的PYTHON学习法.pdf
9. 笨办法学python+第二版.pdf
10.机器学习实战（扫描版）.pdf
11.像计算机科学家一样思考Python.pdf
12.用Python进行自然语言处理.pdf

....

?

看一看每个网站的地址，都是page=数字结尾，所以爬的时候写一个循环，数字从1开始往后取就可以了。

https://maimai.cn/sdk/web/gossip_list?u=206793936&channel=www&version=4.0.0&_csrf=coAlLvgS-UogpI75vEgHk4O1OQivF2ofLce4&access_token=1.9ff1c9df8547b2b2c62bf58b28e84b97&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22rE8q1xp6fZlxvwygWJn1UFDjrmMXDrSE2tc6uDKNIDZtRErng0FRwvduckWMwYzn8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22&page=1&jsononly=1

 

json的最开头有total和remain两个参数，给出了目前所有可见评论剩余数和总数，可以作为循环的停止条件。

?

但比较坑的一点是，脉脉并不能可见所有评论，而且评论是不断刷新的，所有如果爬完一页循环到下一页或者尝试过很多次之后，他会提示你：

?

直接看的时候有这样的提示会体验很好，但对于爬虫来说就不是很友好了，需要加个if判断。

 

另外爬的太快，也会出错，记得加time.sleep。

?

 

大概把能踩的坑都踩了，所以如果顺利的话，每次只能爬几百条信息，想爬更多的话，需要过一段时间等信息更新的差不多了再爬，代码如下

# -*- coding: utf-8 -*-
"""
Created on Fri Oct 19 18:50:03 2018
"""
import urllib
import requests
from fake_useragent import UserAgent
import json
import pandas as pd
import time
import datetime
#comment_api = ‘https://maimai.cn/sdk/web/gossip_list?u=206793936&channel=www&version=4.0.0&_csrf=7ZRpwOSi-JHa7JrTECXLA8njznQZVbi7d4Uo&access_token=1.b7e3acc5ef86e51a78f3410f99aa642a&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22xoNo1TZ8k28e0JTNFqyxlxg%2BdL%2BY6jtoUjKZwE3ke2IZ919o%2FAUeOvcX2yA03CAx8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22&page={}&jsononly=1‘
# 发送get请求
comment_api = ‘https://maimai.cn/sdk/web/gossip_list?u=206793936&channel=www&version=4.0.0&_csrf=FfHZIyBb-H4LEs35NcyhyoAvRM7OkMRB0Jpo&access_token=1.0d4c87c687410a15810ee6304e1cd53b&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22G7rGLEqmm1wY0HP4q%2BxpPFCDj%2BHqGJFm0mSa%2BxpqPg47egJdXL%2FriMlMlHuQj%2BgM8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22&page={}&jsononly=1‘
"""
author：作者
text：评论
cmts ：评论数
circles_views：被查看数
spread ：转发数
likes ：点赞数
time : 时间

"""


headers = { "User-Agent": UserAgent(verify_ssl=False).random}
j = 0
k = 0
response_comment = requests.get(comment_api.format(0),headers = headers)
json_comment = response_comment.text
json_comment = json.loads(json_comment)
num = json_comment[‘total‘]
cols = [‘author‘,‘text‘,‘cmts‘,‘likes‘,‘circles_views‘,‘spreads‘,‘time‘]
dataall = pd.DataFrame(index = range(num),columns = cols)
remain = json_comment[‘remain‘]
print(remain)
while remain!= 0 :
   n = json_comment[‘count‘]
   for i in range(n):
       if json_comment[‘data‘][i][‘text‘] !=‘下面内容已经看过了，点此刷新‘:
           dataall.loc[j,‘author‘] = json_comment[‘data‘][i][‘author‘]
           dataall.loc[j,‘text‘] = json_comment[‘data‘][i][‘text‘]
           dataall.loc[j,‘cmts‘] = json_comment[‘data‘][i][‘cmts‘]
           dataall.loc[j,‘likes‘] = json_comment[‘data‘][i][‘likes‘]
           dataall.loc[j,‘circles_views‘] = json_comment[‘data‘][i][‘circles_views‘]
           dataall.loc[j,‘spreads‘] = json_comment[‘data‘][i][‘spreads‘]
           dataall.loc[j,‘time‘] = json_comment[‘data‘][i][‘time‘]

           j+= 1             
       else:
           k = -1    
           break                             
   k+= 1
   comment_api1 = comment_api.format(k)    
   response_comment = requests.get(comment_api1,headers = headers)
   json_comment = response_comment.text
   json_comment = json.loads(json_comment)
   remain = json_comment[‘remain‘]
   print(‘已完成 {}% !‘.format(round(j/num*100,2)))
   time.sleep(3)          
dataall = dataall.dropna()
dataall = dataall.drop_duplicates()

dataall.to_csv(‘data_20181216_part3.csv‘,index = False)

 

 

数据可视化

 

就这样断断续续爬了一堆文件去重之后，得到了4027条数据，格式如下

?

 

接下来对爬到的数据做一些简单的分析。因为并不没有爬到全量评论，只是一个小样本，所以结果肯定是有偏的，但爬的时间很随机，而且前前后后爬了两周多，这样选样也比较随机，还是有一定的代表性。

 

脉脉中发言用户有两类，一类是完全匿名的，用系统生成的昵称，一类显示为xx公司员工，我们统计爬到的样本中这两种用户的数量及发帖量。4027条职言中，不同发帖人共计1100名。

?

匿名发帖人超过70%，大家都并不愿意用真实身份发言，毕竟被公司/学校人肉风险还是很高的。

 

?

发帖数也毫无意外，匿名发帖人贡献了85%以上的帖子。

 

匿名发帖人无法获取更细致的数据，但对于那些不匿名的发帖人，可以获取他们所在公司 信息，将发帖数按公司汇总，看各大企业发帖量，可以作为整体的一个估计。统计时已经考虑了公司名称输入不一致的情况，将蚂蚁金服、支付宝等替换成了阿里巴巴，京东金融等替换成京东，今日头条、抖音等替换为字节跳动，取发帖数TOP20。

?

可以看到，发帖人大多来自互联网企业，金融、地产等其他企业相对较少。

 

文本分析

 

对于转发、评论数、点赞数，因为有爬取时间上的差异，所以不好直接比较，给出评论数最多的前5条评论，看看大家最愿意参与的话题是什么。

?

1. 用一个字概括一下你的2018年。（1659条评论）

2. 【再就业求助帖】本人是刚被优化掉的知乎程序员，工作3年。比较想去BAT等大厂，希望贵厂HR们带公司认证来回复一下，发一发真实有hc的岗位，祝愿兄弟们都能找到新工作。（610条评论）

3. 用两个字概括你现在的工作。（477条评论）

4. 网易涨今年薪涨了50%.....公司是发财了吗？（458条评论）

5. 用2个字总结你的工作。（415条评论）

 

1，4，5都是蛮有意思的问题，我们把1,4,5的评论都爬下来，做成词云，看看大家都在说些什么。

 

用一个字概括你的2018年

爬虫过程跟上面基本是一样的，找到json，不过这个可以爬到全部评论。

# -*- coding: utf-8 -*-
"""
Created on Fri Oct 19 18:50:03 2018
"""
import urllib
import requests
from fake_useragent import UserAgent
import json
import pandas as pd
import time
# 发送get请求
comment_api = ‘https://maimai.cn/sdk/web/gossip/getcmts?gid=18606987&page={}&count=50&hotcmts_limit_count=1&u=206793936&channel=www&version=4.0.0&_csrf=38244DlN-X0iNIk6A4seLXFx6hz3Ds6wfQ0Y&access_token=1.9ff1c9df8547b2b2c62bf58b28e84b97&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22rE8q1xp6fZlxvwygWJn1UFDjrmMXDrSE2tc6uDKNIDZtRErng0FRwvduckWMwYzn8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22‘
"""
author：作者
text：评论
、

"""


#headers = { "User-Agent": UserAgent(verify_ssl=False).random,‘Cookie‘:cookie}
headers = { "User-Agent": UserAgent(verify_ssl=False).random}
j = 0
k = 0
response_comment = requests.get(comment_api.format(0),headers = headers)
json_comment = response_comment.text
json_comment = json.loads(json_comment)


num = json_comment[‘total‘]
cols = [‘author‘,‘text‘]
dataall = pd.DataFrame(index = range(num),columns = cols)

while j < num :
   n = json_comment[‘count‘]
   for i in range(n):

       dataall.loc[j,‘author‘] = json_comment[‘comments‘][i][‘name‘]
       dataall.loc[j,‘text‘] = json_comment[‘comments‘][i][‘text‘]
       j+= 1             
   k += 1
   comment_api1 = comment_api.format(k) 
   
   response_comment = requests.get(comment_api1,headers = headers)
   json_comment = response_comment.text
   json_comment = json.loads(json_comment)
   print(‘已完成 {}% !‘.format(round(j/num*100,2)))
   time.sleep(3)
   
        
dataall.to_excel(‘用一个字概括你的2018年.xlsx‘)

爬下来之后，删掉超过一个字的评论，按词频确定大小，做词云图如下

?

用两个字概括你现在的工作|用2个字总结你的工作

2,5是一样的，爬下来合并到一起后分析。代码不再重复，实际上用上面那段代码，找到json地址后替换，任何一个话题下的评论都可以全爬到，删掉不是2个字的评论后根据词频作图。

?

使用SnowNLP对评论进行情感分析，最终4027条中，积极的有2196条，消极的有1831条。

积极

?

消极

?

模型对大部分评论的情感倾向判断的比较准确，小部分有误。

 

最后对所有评论提取关键词做词云收尾。

?