基于Python聚焦網(wǎng)絡(luò)爬蟲的用戶在線評論內(nèi)容分析

摘 要 近年來，隨著“互聯(lián)網(wǎng)+”的全面推進(jìn)，互聯(lián)網(wǎng)上的信息量不斷增加，如何高效、快速地獲取目標(biāo)信息，并對信息進(jìn)行有效分析成為亟待解決的問題。本研究設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于Python的聚焦網(wǎng)絡(luò)爬蟲系統(tǒng)，以體育場館用戶在線評論為例，對評論信息進(jìn)行獲取，并對數(shù)據(jù)進(jìn)行可視化展示和內(nèi)容分析，結(jié)果表明，該系統(tǒng)能夠較好挖掘用戶對于場館評論中隱藏的信息。

關(guān)鍵詞 Python;聚焦網(wǎng)絡(luò)爬蟲;在線評論;內(nèi)容分析

引言

物聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)、5G等技術(shù)的不斷發(fā)展和成熟，有效促進(jìn)了互聯(lián)網(wǎng)數(shù)據(jù)的增長。互聯(lián)網(wǎng)數(shù)據(jù)通常具有海量、多維、多尺度等大數(shù)據(jù)的特點(diǎn)，采取有效的方法和手段對互聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行收集和分析，是理解互聯(lián)網(wǎng)數(shù)據(jù)的重要手段[1]。傳統(tǒng)的數(shù)據(jù)收集方法和技術(shù)（如調(diào)查問卷，采訪）會受到資金、地理位置和樣本量等一系列條件的影響和限制。網(wǎng)絡(luò)爬蟲依托于大數(shù)據(jù)框架和計(jì)算機(jī)技術(shù)，可用于對海量互聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行請求和提取，為深層次的內(nèi)容分析和挖掘奠定了基礎(chǔ)[2]。

本文基于Python標(biāo)準(zhǔn)庫、第三方庫和爬蟲技術(shù)，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)聚焦網(wǎng)絡(luò)爬蟲系統(tǒng)，用于對指定網(wǎng)頁和內(nèi)容進(jìn)行爬取，并進(jìn)一步對爬取到的數(shù)據(jù)進(jìn)行存儲和內(nèi)容分析。在實(shí)例分析中，爬蟲系統(tǒng)第一步將抓取“趣運(yùn)動(dòng)”網(wǎng)站（http：//www.quyundong.com/）中體育場館用戶評論信息的頁面，第二步對網(wǎng)頁進(jìn)行解析并過濾無關(guān)的內(nèi)容和數(shù)據(jù)，第三步對抓取數(shù)據(jù)進(jìn)行存儲，第四步對體育場館用戶中差評信息進(jìn)行詞云圖展示和詞頻統(tǒng)計(jì)，第五步對高頻詞匯和詞云圖進(jìn)行分析，挖掘造成中差評的主要原因，為場館改進(jìn)提供建議，同時(shí)為其他用戶提供決策依據(jù)。

1基于Python的聚焦網(wǎng)絡(luò)爬蟲系統(tǒng)設(shè)計(jì)

1.1 聚焦網(wǎng)絡(luò)爬蟲定義

通用網(wǎng)絡(luò)爬蟲通過統(tǒng)一資源定位符（Uniform Resource Locator，URL）搜索網(wǎng)頁，通過遍歷所有待抓取URL隊(duì)列，將網(wǎng)頁相關(guān)數(shù)據(jù)返回給用戶[3]。聚焦網(wǎng)絡(luò)爬蟲基于通用網(wǎng)絡(luò)爬蟲，專注于抓取滿足特定主題和特定屬性的網(wǎng)頁。該爬蟲策略性搜索、獲取、下載、維護(hù)與特定主題相關(guān)的網(wǎng)頁URL，所有其他無關(guān)的URL將通過程序代碼被過濾。通過采用聚焦網(wǎng)絡(luò)爬蟲，用戶無須通過網(wǎng)頁搜索引擎來獲取信息，這樣既節(jié)省了時(shí)間和精力，又提高了數(shù)據(jù)采集的可靠性、針對性和準(zhǔn)確性[4-6]。聚焦網(wǎng)絡(luò)爬蟲下載的“面向主題”的數(shù)據(jù)，后續(xù)可通過采用有效的內(nèi)容分析和挖掘技術(shù)，提取出數(shù)據(jù)中隱藏的有價(jià)值信息。

1.2 聚焦網(wǎng)絡(luò)爬蟲系統(tǒng)工作流程

該聚焦網(wǎng)絡(luò)爬蟲系統(tǒng)工作流程分為下列5部分，如圖1所示。

（1）URL隊(duì)列：聚焦網(wǎng)絡(luò)爬蟲系統(tǒng)基于指定一個(gè)或幾個(gè)網(wǎng)頁網(wǎng)址，把這些網(wǎng)址作為URL種子，將URL種子放入U(xiǎn)RL隊(duì)列中等待爬取。

（2）網(wǎng)頁獲?。焊鶕?jù)指定URL，按照一定的規(guī)則對網(wǎng)頁進(jìn)行遍歷，發(fā)送請求并執(zhí)行相應(yīng)爬取。

（3）網(wǎng)頁處理：對網(wǎng)頁信息進(jìn)行解析和處理，提取出與研究主題相關(guān)的網(wǎng)頁內(nèi)容部分，過濾掉其他無關(guān)數(shù)據(jù)和內(nèi)容。

（4）數(shù)據(jù)存儲：對進(jìn)行網(wǎng)頁處理后，與研究主題相關(guān)的數(shù)據(jù)進(jìn)行存儲，本研究中將其存儲為Excel格式。

（5）可視化和內(nèi)容分析：對存儲數(shù)據(jù)進(jìn)行可視化以及內(nèi)容分析，包括詞云可視化分析、詞頻統(tǒng)計(jì)等方法。

2數(shù)據(jù)爬取與存儲具體實(shí)現(xiàn)

本章借助Python聚焦網(wǎng)絡(luò)爬蟲系統(tǒng)，以爬取 “趣運(yùn)動(dòng)”網(wǎng)站體育場館用戶在線評論為例，進(jìn)行數(shù)據(jù)爬取與存儲的具體實(shí)現(xiàn)，分為以下3步。

（1）網(wǎng)頁抓取。趣運(yùn)動(dòng)網(wǎng)站采用的是異步加載Ajax技術(shù)，通過分析趣運(yùn)動(dòng)網(wǎng)站結(jié)構(gòu)和網(wǎng)址構(gòu)造，得到獲取用戶評論的URL請求地址為http：//www.quyundong.com/venues/jsonComments？random=xxxx&page=****&business_id=####，該請求由3個(gè)網(wǎng)頁參數(shù)組成：xxxx對應(yīng)的是隨網(wǎng)頁請求生成的隨機(jī)數(shù)（random）、****對應(yīng)的是在線評論頁數(shù)（page）、####對應(yīng)的是場館編號（business_id）。確定3個(gè)參數(shù)后，采用Python中的第三方requests庫對指定場館用戶在線評論URL請求進(jìn)行抓取。

（2）網(wǎng)頁處理。趣運(yùn)動(dòng)網(wǎng)站用戶評論信息以JSON格式進(jìn)行存儲，評論信息的JSON結(jié)構(gòu)如圖2所示，故調(diào)用Python中的JSON庫對評論信息進(jìn)行解析。由于評論信息以鍵值對的形式存在，在遍歷每位已注冊用戶評論信息時(shí)，僅需篩選出評論時(shí)間（create_time）、評論內(nèi)容（content）、評論等級（comment_rank），其他的信息：評論ID（comment_id）、場館ID（business_id）、用戶ID（user_id）、用戶姓名（user_name）、用戶頭像（avatar）、用戶上傳圖片列表（image_list），由于與該研究主題關(guān)聯(lián)不大，將被過濾掉，不參與數(shù)據(jù)爬取。最終將所有符合要求的評論信息存入一個(gè)結(jié)果集中。

（3）數(shù)據(jù)存儲。調(diào)用Python中的Workbook庫，將第二步得到的結(jié)果集寫入Excel文件，對體育場館用戶評論數(shù)據(jù)進(jìn)行存儲。最終獲取到用戶有效在線評論數(shù)據(jù)18023條，從這些數(shù)據(jù)中篩選出評論為3分及以下（comment_rank<=3，滿分5分）的中差評共768條，作為可視化和內(nèi)容分析的對象。

3可視化與內(nèi)容分析具體實(shí)現(xiàn)

在聚焦網(wǎng)絡(luò)爬蟲系統(tǒng)架構(gòu)中，爬取完所需數(shù)據(jù)之后，需對數(shù)據(jù)進(jìn)行可視化和內(nèi)容分析，旨在挖掘出數(shù)據(jù)中隱藏的有價(jià)值信息。

（1）數(shù)據(jù)可視化。讀取所有用戶在線評論文本，導(dǎo)入Python中的jieba中文分詞庫，獲取在線評論的中文分詞列表。接著使用wordcloud詞云庫，設(shè)置stopwords屏蔽詞參數(shù)，對數(shù)據(jù)進(jìn)行清洗，同時(shí)設(shè)置詞云圖的形狀、背景顏色、高度、寬度和字體，結(jié)果可生成相應(yīng)詞云圖，對場館用戶評論數(shù)據(jù)中出現(xiàn)頻率較高的“關(guān)鍵詞”予以可視化的展示（如圖3所示）。接著調(diào)用Sklearn庫中的CountVectorizer函數(shù)，分別提取詞匯和計(jì)算詞頻，對評論數(shù)據(jù)中的詞匯進(jìn)行詞頻統(tǒng)計(jì)，并將結(jié)果存儲在CSV文件中。

（2）內(nèi)容分析。對篩選出的評論為3分及以下的中差評數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，其中評分為3分的用戶評論共389條，占比50.65%;評分為2分的106條，占比13.80%;評分為1分的260條，占比33.86%;評分為0分的13條，占比1. 69%。

結(jié)合詞云圖和詞頻分析結(jié)果，發(fā)現(xiàn)出現(xiàn)次數(shù)最多的前10個(gè)高頻詞匯分別是：場館（286次）、不好（130次）、燈光（84次）、服務(wù)態(tài)度（70次）、沒有（68次）、價(jià)格（65次）、地板（54次）、空調(diào)（54次）、位置（49次）、態(tài)度（38次）。由此可以得出以下結(jié)論，用戶對于使用體育場館的需求主要包括：場館的燈光、收費(fèi)價(jià)格、地板、空調(diào)、位置和工作人員的服務(wù)態(tài)度。該結(jié)果基于聚焦網(wǎng)絡(luò)爬蟲系統(tǒng)數(shù)據(jù)收集、存儲、分析整個(gè)流程，反映了趣運(yùn)動(dòng)網(wǎng)站用戶在線評論的真實(shí)情況，挖掘了用戶在參與體育場館設(shè)施健身過程中的具體需求。

4結(jié)束語

本文基于Python構(gòu)建了聚焦網(wǎng)絡(luò)爬蟲系統(tǒng)，實(shí)現(xiàn)了對趣運(yùn)動(dòng)網(wǎng)站體育場館用戶在線評論信息的爬取、存儲和內(nèi)容分析，分析結(jié)果表明：聚焦網(wǎng)絡(luò)爬蟲專注于特定主題和內(nèi)容的收集，提高了信息收集效率，節(jié)省了大量的時(shí)間。同時(shí)，對用戶評論數(shù)據(jù)的存儲便于進(jìn)一步的數(shù)據(jù)管理和分析，也能對有效數(shù)據(jù)進(jìn)行保存。再者，對存儲數(shù)據(jù)的可視化和內(nèi)容分析結(jié)果，包括詞云圖可視化和詞頻統(tǒng)計(jì)，可進(jìn)一步為場館硬件和軟件設(shè)施改進(jìn)提供決策，也可為用戶選擇體育場館提供參考。上述結(jié)論驗(yàn)證了本文提出的聚焦網(wǎng)絡(luò)爬蟲系統(tǒng)的有效性和實(shí)用性，下一步的工作是繼續(xù)優(yōu)化聚焦網(wǎng)絡(luò)爬蟲系統(tǒng)，結(jié)合多線程與并發(fā)等技術(shù)，同時(shí)加入更多的文本分析算法，對整個(gè)系統(tǒng)性能進(jìn)行優(yōu)化，使其爬取效率更高、功能更加完善。

參考文獻(xiàn)

[1] 杜曉旭，賈小云.基于Python的新浪微博爬蟲分析[J].軟件，2019， 40（4）：182-185.

[2] 劉暉，石倩.基于網(wǎng)絡(luò)爬蟲的新聞網(wǎng)站自動(dòng)生成系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].電子技術(shù)與軟件工程，2019（13）：18-19.

[3] 陸樹芬.基于Python對網(wǎng)絡(luò)爬蟲系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].電腦編程技巧與維護(hù)，2019（2）：26-27，51.

[4] 郭向向，鄭嘉慧，苗學(xué)芹.基于Python聚焦型網(wǎng)絡(luò)爬蟲的影評獲取技術(shù)[J].時(shí)代金融，2019（11）：71-72.

[5] 高宇，楊小兵.基于聚焦型網(wǎng)絡(luò)爬蟲的影評獲取技術(shù)[J].中國計(jì)量大學(xué)學(xué)報(bào)，2018，29（3）：299-303.

[6] 楊國志，江業(yè)峰.基于python的聚焦網(wǎng)絡(luò)爬蟲數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].科學(xué)技術(shù)創(chuàng)新，2018（27）：73-74.

作者簡介

王煜煒（1990-），男，湖北武漢人;畢業(yè)院校：武漢大學(xué)，專業(yè)：軟件工程，學(xué)歷：博士研究生，現(xiàn)就職單位：江漢大學(xué)，研究方向：人工智能。