用Python教你如何爬取脉脉职言
脈脈是一個(gè)實(shí)名職場社交平臺。之前爬了脈脈職言版塊，大概爬了4027條評論，本文對爬取過程給出詳細(xì)說明，對于評論內(nèi)容僅做可視化分析，之前存了一堆這方面的文章，今天一看全都404了?。
爬蟲
仍然使用python編程，對爬蟲沒興趣的可以直接跳過看下部分，不影響悅讀。
網(wǎng)址https://maimai.cn/gossip_list。
需要先登錄才能看到里面的內(nèi)容。爬取目標(biāo)：
?
只爬文字部分，圖片不考慮。
在瀏覽器內(nèi)按F12打開開發(fā)者，向下滑，會(huì)看到很多gossip開頭的json文件（不行的話刷新一下）
?
右鍵open in new tab，里面是一條一條記錄，text后面是評論內(nèi)容。
?
我們感興趣的信息是下面這些
歡迎加入我的QQ群`923414804`與我一起學(xué)習(xí)，群里有我學(xué)習(xí)過程中整理的大量學(xué)習(xí)資料。加群即可免費(fèi)獲取
1. Python編程從入門到實(shí)踐.pdf
2. Python編程快速上手——讓繁瑣工作自動(dòng)化.pdf
3. Python高級編程.pdf
4. Python高性能編程.pdf
5. Python核心編程.第3版.pdf
6. Python極客項(xiàng)目編程.pdf
7. Python數(shù)據(jù)科學(xué)手冊.pdf
8. 貝葉斯思維：統(tǒng)計(jì)建模的PYTHON學(xué)習(xí)法.pdf
9. 笨辦法學(xué)python+第二版.pdf
10.機(jī)器學(xué)習(xí)實(shí)戰(zhàn)（掃描版）.pdf
11.像計(jì)算機(jī)科學(xué)家一樣思考Python.pdf
12.用Python進(jìn)行自然語言處理.pdf
....
?
看一看每個(gè)網(wǎng)站的地址，都是page=數(shù)字結(jié)尾，所以爬的時(shí)候?qū)懸粋€(gè)循環(huán)，數(shù)字從1開始往后取就可以了。
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的最開頭有total和remain兩個(gè)參數(shù)，給出了目前所有可見評論剩余數(shù)和總數(shù)，可以作為循環(huán)的停止條件。
?
但比較坑的一點(diǎn)是，脈脈并不能可見所有評論，而且評論是不斷刷新的，所有如果爬完一頁循環(huán)到下一頁或者嘗試過很多次之后，他會(huì)提示你：
?
直接看的時(shí)候有這樣的提示會(huì)體驗(yàn)很好，但對于爬蟲來說就不是很友好了，需要加個(gè)if判斷。
另外爬的太快，也會(huì)出錯(cuò)，記得加time.sleep。
?
大概把能踩的坑都踩了，所以如果順利的話，每次只能爬幾百條信息，想爬更多的話，需要過一段時(shí)間等信息更新的差不多了再爬，代碼如下
# -*- coding: utf-8 -*-
"""
Created on Fri Oct 19 18:50:03 2018
"""
importurllib
importrequests
fromfake_useragentimportUserAgent
importjson
importpandasaspd
importtime
importdatetime
#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'
# 發(fā)送get請求
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：評論
cmts ：評論數(shù)
circles_views：被查看數(shù)
spread ：轉(zhuǎn)發(fā)數(shù)
likes ：點(diǎn)贊數(shù)
time : 時(shí)間
"""
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)
whileremain!=0:
n = json_comment['count']
foriinrange(n):
ifjson_comment['data'][i]['text'] !='下面內(nèi)容已經(jīng)看過了，點(diǎn)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)數(shù)據(jù)可視化
就這樣斷斷續(xù)續(xù)爬了一堆文件去重之后，得到了4027條數(shù)據(jù)，格式如下
?
接下來對爬到的數(shù)據(jù)做一些簡單的分析。因?yàn)椴⒉粵]有爬到全量評論，只是一個(gè)小樣本，所以結(jié)果肯定是有偏的，但爬的時(shí)間很隨機(jī)，而且前前后后爬了兩周多，這樣選樣也比較隨機(jī)，還是有一定的代表性。
脈脈中發(fā)言用戶有兩類，一類是完全匿名的，用系統(tǒng)生成的昵稱，一類顯示為xx公司員工，我們統(tǒng)計(jì)爬到的樣本中這兩種用戶的數(shù)量及發(fā)帖量。4027條職言中，不同發(fā)帖人共計(jì)1100名。
?
匿名發(fā)帖人超過70%，大家都并不愿意用真實(shí)身份發(fā)言，畢竟被公司/學(xué)校人肉風(fēng)險(xiǎn)還是很高的。
?
發(fā)帖數(shù)也毫無意外，匿名發(fā)帖人貢獻(xiàn)了85%以上的帖子。
匿名發(fā)帖人無法獲取更細(xì)致的數(shù)據(jù)，但對于那些不匿名的發(fā)帖人，可以獲取他們所在公司 信息，將發(fā)帖數(shù)按公司匯總，看各大企業(yè)發(fā)帖量，可以作為整體的一個(gè)估計(jì)。統(tǒng)計(jì)時(shí)已經(jīng)考慮了公司名稱輸入不一致的情況，將螞蟻金服、支付寶等替換成了阿里巴巴，京東金融等替換成京東，今日頭條、抖音等替換為字節(jié)跳動(dòng)，取發(fā)帖數(shù)TOP20。
?
可以看到，發(fā)帖人大多來自互聯(lián)網(wǎng)企業(yè)，金融、地產(chǎn)等其他企業(yè)相對較少。
文本分析
對于轉(zhuǎn)發(fā)、評論數(shù)、點(diǎn)贊數(shù)，因?yàn)橛信廊r(shí)間上的差異，所以不好直接比較，給出評論數(shù)最多的前5條評論，看看大家最愿意參與的話題是什么。
?
1. 用一個(gè)字概括一下你的2018年。（1659條評論）
2. 【再就業(yè)求助帖】本人是剛被優(yōu)化掉的知乎程序員，工作3年。比較想去BAT等大廠，希望貴廠HR們帶公司認(rèn)證來回復(fù)一下，發(fā)一發(fā)真實(shí)有hc的崗位，祝愿兄弟們都能找到新工作。（610條評論）
3. 用兩個(gè)字概括你現(xiàn)在的工作。（477條評論）
4. 網(wǎng)易漲今年薪漲了50%.....公司是發(fā)財(cái)了嗎？（458條評論）
5. 用2個(gè)字總結(jié)你的工作。（415條評論）
1，4，5都是蠻有意思的問題，我們把1,4,5的評論都爬下來，做成詞云，看看大家都在說些什么。
用一個(gè)字概括你的2018年
爬蟲過程跟上面基本是一樣的，找到j(luò)son，不過這個(gè)可以爬到全部評論。
# -*- coding: utf-8 -*-
"""
Created on Fri Oct 19 18:50:03 2018
"""
importurllib
importrequests
fromfake_useragentimportUserAgent
importjson
importpandasaspd
importtime
# 發(fā)送get請求
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：評論
、
"""
#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)
whilej < num :
n = json_comment['count']
foriinrange(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('用一個(gè)字概括你的2018年.xlsx')爬下來之后，刪掉超過一個(gè)字的評論，按詞頻確定大小，做詞云圖如下
?
用兩個(gè)字概括你現(xiàn)在的工作|用2個(gè)字總結(jié)你的工作
2,5是一樣的，爬下來合并到一起后分析。代碼不再重復(fù)，實(shí)際上用上面那段代碼，找到j(luò)son地址后替換，任何一個(gè)話題下的評論都可以全爬到，刪掉不是2個(gè)字的評論后根據(jù)詞頻作圖。
?
使用SnowNLP對評論進(jìn)行情感分析，最終4027條中，積極的有2196條，消極的有1831條。
積極
?
消極
?
模型對大部分評論的情感傾向判斷的比較準(zhǔn)確，小部分有誤。
最后對所有評論提取關(guān)鍵詞做詞云收尾。
?
總結(jié)
以上是生活随笔為你收集整理的用Python教你如何爬取脉脉职言的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： android shape 自定义,An
- 下一篇： 5.内网渗透之PTH&PTT&a