豆瓣小组 |
您所在的位置:网站首页 › 豆瓣小组帖子更新 › 豆瓣小组 |
抓取豆瓣小组讨论贴列表,并通过列表中各帖子链接获取帖子的详细内容(评论文本)。两部分数据都写入在网页html源码中,基本不涉及ajax请求。 需求不复杂,因此直接使用requests构造请求获得html源码后,使用BeautifulSoup解析出所需字段,保存为本地csv文件。 项目地址:https://github.com/KKCHANNEL-kk/douban_group_spider 1. 使用前准备开发测试环境:Python 3.9.7 依赖包: time 用于设置延时datetime 用于获取当前时间戳BeautifulSoup html解析requests 网络请求pandas 数据格式化存取(可选)urllib 请求参数编解码2. 参数解释get_group_discussion.py:获取小组所有讨论的基本信息。get_page(i):获取指定豆瓣小组的第i页列表数据base_url: 豆瓣小组列表的url,形如/group/{小组id}/discussion?,使用时根据实际情况替换。listcnt: 每页列表长度,影响每次分页的起点。默认为25。start: 分页起点。第1页起点为0。get_discussion_list(base_url):获取豆瓣指定小组的所有讨论贴列表数据,返回DataFrame。DataFrame各字段定义见数据说明-按页爬取粉红税小组所有讨论的基本信息。base_url: 豆瓣小组列表的url,形如/group/{小组id}/discussion?,使用时根据实际情况替换。get_topic_content.py:获取每条讨论贴的详细内容。get_topic_info(url_list):根据讨论贴url列表,获取讨论贴的基本信息,返回DataFrame。DataFrame各字段定义见数据说明-每条讨论的第一条(1楼)和数据说明-每条讨论的所有回复内容。url_list: 讨论贴url列表。content_df: 讨论贴内容(每贴第一条)的DataFrame。comment_df: 讨论贴回复的评论内容的DataFrame。3. 使用方法获取小组讨论贴列表![]() 小组讨论贴列表 调用get_group_discussion.py,注意修改实际小组链接和文件保存路径。 ![]() ![]() 讨论贴详细内容 调用get_topic_content.py。可以先调用get_group_discussion.py中的函数获取小组帖子的url列表,或者读取已经保存到本地的url列表。 ![]() 文件名:discusstion_list.csv 说明:获取豆瓣小组的讨论列表,每条讨论点击进入得到正文,在这里分开采集。 url形如https://www.douban.com/group/{小组id}/discussion 参数为start,即起始位置,每次返回约28条。计算每页不同的start,拼接url批量爬取获得全量数据。 字段解释 字段名 解释 示例 title 讨论帖子的标题 关于今天组内一位管理与几位组员之间的纠纷说明 elite 是否加精 1 url 帖子url https://www.douban.com/group/topic/258155059/ author-name 作者名 Miaaaaaaaa author-url 作者url https://www.douban.com/people/157497953/ r-count 点赞数 10 time 发布时间 2022/1/19 5:46 page 爬取时所在页数 1 rank 爬取时所在排名 2 timestamp 爬取时间的时间戳 2022/5/22 18:27 每条讨论的第一条(1楼)文件名:discussion_content.csv 说明:获取每条讨论帖子的正文(即作者发布的第一楼)。为减少数据耦合,讨论贴第一条和其余回复贴分别保存为两个文件。 url形如https://www.douban.com/group/topic/{讨论贴id}/ 字段解释 字段名 解释 示例 url 该讨论贴的url https://www.douban.com/group/topic/249979294/ user 发表用户名 Σαπφώκορίτσι user_url 发表用户url https://www.douban.com/people/Gra1989/ content 正文(即帖子第一楼) 【大家好,原组长已经跑路,并把组长转让给了第一个回她消息的我。…… time 发布时间 2021/10/16 10:48 react_num 点赞数 86 collect_num 收藏数 2 timestamp 爬取时间的时间戳 2022/5/22 22:27 每条讨论的所有回复内容文件名:discussion_reply.csv 说明:获取每条讨论帖子下面的评论内容和评论之间的回复关系。 字段解释 字段名 解释 示例 url 该讨论贴的url https://www.douban.com/group/topic/249979294/ comment_id 该评论的id 4355647386 user 发表评论的用户 Σαπφώκορίτσι user_url 发表评论用户的url https://www.douban.com/people/Gra1989/ comment 评论内容 好滴,也许可以把大家之前的投票帖作为申请自荐帖,超过50票即成为组长候选人。然后在这个帖汇总投票选举新组长?� time 评论发表时间 2021/10/16 10:57 reply_to 评论回复对象的评论id 4355637025 timestamp 爬取时间的时间戳 2022/5/22 22:27 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |