|
|
51CTO旗下网站
|
|
移动端

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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”。

作者:量化小白H来源:量化小白上分记|2019-01-28 17:31

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:

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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)

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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

Python爬取4027条脉脉职言,解读互联网人的苦与难!

我们感兴趣的信息是下面这些

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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。

  1. 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。

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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:

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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。

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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

  1. # -*- coding: utf-8 -*- 
  2. ""
  3. Created on Fri Oct 19 18:50:03 2018 
  4. ""
  5. import urllib 
  6. import requests 
  7. from fake_useragent import UserAgent 
  8. import json 
  9. import pandas as pd 
  10. import time 
  11. import datetime 
  12. #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' 
  13. # 发送get请求 
  14. 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' 
  15. ""
  16. author:作者 
  17. text:评论 
  18. cmts :评论数 
  19. circles_views:被查看数 
  20. spread :转发数 
  21. likes :点赞数 
  22. time : 时间 
  23.  
  24. ""
  25.  
  26.  
  27. headers = { "User-Agent": UserAgent(verify_ssl=False).random} 
  28. j = 0 
  29. k = 0 
  30. response_comment = requests.get(comment_api.format(0),headers = headers) 
  31. json_comment = response_comment.text 
  32. json_comment = json.loads(json_comment) 
  33. num = json_comment['total'
  34. cols = ['author','text','cmts','likes','circles_views','spreads','time'
  35. dataall = pd.DataFrame(index = range(num),columns = cols) 
  36. remain = json_comment['remain'
  37. print(remain) 
  38. while remain!= 0 : 
  39.    n = json_comment['count'
  40.    for i in range(n): 
  41.        if json_comment['data'][i]['text'] !='下面内容已经看过了,点此刷新'
  42.            dataall.loc[j,'author'] = json_comment['data'][i]['author'
  43.            dataall.loc[j,'text'] = json_comment['data'][i]['text'
  44.            dataall.loc[j,'cmts'] = json_comment['data'][i]['cmts'
  45.            dataall.loc[j,'likes'] = json_comment['data'][i]['likes'
  46.            dataall.loc[j,'circles_views'] = json_comment['data'][i]['circles_views'
  47.            dataall.loc[j,'spreads'] = json_comment['data'][i]['spreads'
  48.            dataall.loc[j,'time'] = json_comment['data'][i]['time'
  49.  
  50.            j+= 1              
  51.        else
  52.            k = -1     
  53.            break                              
  54.    k+= 1 
  55.    comment_api1 = comment_api.format(k)     
  56.    response_comment = requests.get(comment_api1,headers = headers) 
  57.    json_comment = response_comment.text 
  58.    json_comment = json.loads(json_comment) 
  59.    remain = json_comment['remain'
  60.    print('已完成 {}% !'.format(round(j/num*100,2))) 
  61.    time.sleep(3)           
  62. dataall = dataall.dropna() 
  63. dataall = dataall.drop_duplicates() 
  64.  
  65. 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

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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。

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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。

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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。

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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。

  1. # -*- coding: utf-8 -*- 
  2. ""
  3. Created on Fri Oct 19 18:50:03 2018 
  4. ""
  5. import urllib 
  6. import requests 
  7. from fake_useragent import UserAgent 
  8. import json 
  9. import pandas as pd 
  10. import time 
  11. # 发送get请求 
  12. 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' 
  13. ""
  14. author:作者 
  15. text:评论 
  16. 、 
  17.  
  18. ""
  19.  
  20.  
  21. #headers = { "User-Agent": UserAgent(verify_ssl=False).random,'Cookie':cookie} 
  22. headers = { "User-Agent": UserAgent(verify_ssl=False).random} 
  23. j = 0 
  24. k = 0 
  25. response_comment = requests.get(comment_api.format(0),headers = headers) 
  26. json_comment = response_comment.text 
  27. json_comment = json.loads(json_comment) 
  28.  
  29.  
  30. num = json_comment['total'
  31. cols = ['author','text'
  32. dataall = pd.DataFrame(index = range(num),columns = cols) 
  33.  
  34. while j < num : 
  35.    n = json_comment['count'
  36.    for i in range(n): 
  37.  
  38.        dataall.loc[j,'author'] = json_comment['comments'][i]['name'
  39.        dataall.loc[j,'text'] = json_comment['comments'][i]['text'
  40.        j+= 1              
  41.    k += 1 
  42.    comment_api1 = comment_api.format(k)  
  43.     
  44.    response_comment = requests.get(comment_api1,headers = headers) 
  45.    json_comment = response_comment.text 
  46.    json_comment = json.loads(json_comment) 
  47.    print('已完成 {}% !'.format(round(j/num*100,2))) 
  48.    time.sleep(3) 
  49.     
  50.          
  51. 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

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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。

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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

Python爬取4027条脉脉职言,解读互联网人的苦与难!

消极

Python爬取4027条脉脉职言,解读互联网人的苦与难!

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。

Python爬取4027条脉脉职言,解读互联网人的苦与难!

【编辑推荐】

  1. 热点 | 我用Python告诉老大爷“啥是佩奇”
  2. 针对WebView测试的五种Python框架
  3. 从C++转Python:要改变你的思维方式
  4. 分享几款由“Python”语言编写的“有趣、恶搞、好玩”的程序代码
  5. Pelican入门:一个Python静态网站生成器
【责任编辑:未丽燕 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

读 书 +更多

开源osCommerce 轻松架设专业电子商务平台

osCommerce是一款免费的、开放源代码的专业电子商务解决方案。本书以通俗易懂的语言向读者展示了该软件强大的功能和简易的操作方法,主要内...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊