Python如何爬取 4027 條脈脈職言

發(fā)布時間：2021-10-25 17:19:26 來源：億速云閱讀：127 作者：柒染欄目：編程語言

本篇文章給大家分享的是有關Python如何爬取 4027 條脈脈職言，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

脈脈是一個實名職場社交平臺。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說明，對于評論內容僅做可視化分析。

爬蟲

仍然使用Python編程，對爬蟲沒興趣的可直接跳過看下部分，不影響閱讀。網(wǎng)址https://maimai.cn/gossip_list，需要先登錄才能看到里面的內容。

爬取目標：

Python如何爬取 4027 條脈脈職言

只爬文字部分，圖片不考慮。

在瀏覽器內按F12打開開發(fā)者，向下滑，會看到很多gossip開頭的json文件（不行的話刷新一下）。

Python如何爬取 4027 條脈脈職言

右鍵open in new tab，里面是一條一條記錄，text后面是評論內容。

Python如何爬取 4027 條脈脈職言

我們感興趣的信息是下面這些：

Python如何爬取 4027 條脈脈職言

看一看每個網(wǎng)站的地址，都是page=數(shù)字結尾，所以爬的時候寫一個循環(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。

Python如何爬取 4027 條脈脈職言

但比較坑的一點是，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，它會提示你：

Python如何爬取 4027 條脈脈職言

直接看的時候有這樣的提示會體驗很好，但對于爬蟲來說就不是很友好了，需要加個if判斷。

另外爬得太快，也會出錯，記得加time.sleep。

Python如何爬取 4027 條脈脈職言

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
"""
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'
# 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 ：轉發(fā)數(shù)
likes ：點贊數(shù)
time : 時間

"""


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)
while remain!= 0 :
   n = json_comment['count']
   for i in range(n):
       if json_comment['data'][i]['text'] !='下面內容已經(jīng)看過了，點此刷新':
           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：

Python如何爬取 4027 條脈脈職言

接下來對爬到的數(shù)據(jù)做一些簡單的分析。因為并不沒有爬到全量評論，只是一個小樣本，所以結果肯定是有偏的，但爬的時間很隨機，而且前前后后爬了兩周多，這樣選樣也比較隨機，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1100名。

Python如何爬取 4027 條脈脈職言

匿名發(fā)帖人超過70%，大家都并不愿意用真實身份發(fā)言，畢竟被公司/學校人肉風險還是很高的。

Python如何爬取 4027 條脈脈職言

發(fā)帖數(shù)也毫無意外，匿名發(fā)帖人貢獻了85%以上的帖子。

匿名發(fā)帖人無法獲取更細致的數(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估計。統(tǒng)計時已經(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，取發(fā)帖數(shù)TOP20。

Python如何爬取 4027 條脈脈職言

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

對于轉發(fā)、評論數(shù)、點贊數(shù)，因為有爬取時間上的差異，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們帶公司認證來回復一下，發(fā)一發(fā)真實有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)財了嗎？（458條評論）
5. 用2個字總結你的工作。（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。

用一個字概括你的2018年

爬蟲過程跟上面基本是一樣的，找到json，不過這個可以爬到全部評論。

# -*- 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
# 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)

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('用一個字概括你的2018年.xlsx')