| 利用python爬取东方财富网股吧评论并进行情感分析（一） | 您所在的位置：网站首页 › 上证指数股吧东方财富网 › 利用python爬取东方财富网股吧评论并进行情感分析（一） |
利用python爬取东方财富网股吧评论并进行情感分析（一）
|
利用python爬取东方财富网股吧评论（一） python-东方财富网贴吧文本数据爬取分享一下写论文时爬数据用到的代码，有什么问题或者改善的建议的话小伙伴们一起评论区讨论。涉及内容在前人的研究基础之上，探索适合自己一些知识点，本人非计算机专业，金融专业，学习爬虫用于项目研究，以此发表供大家学习与指点。 一、论文说明论文需求：股吧中人们发表的评论和创业板股市价格波动 数据来源：东方财富网创业板股吧 数据标签：阅读、评论、标题、作者、更新时间， 实现功能：读取每个股吧的全部页面的评论并写入excel表中 二、实施过程1.明确评论数据
2.查看网页源代码结构 ① 网页源代码 首先打开网页的开发者工具（右击-检查）或者右击网页源代码，在源代码中查找对应字段的标签。 以下是大多数学者的分析： 下面是每一条标题评论的详细网页的内容，与总页对比，详情页内容是完整的： 1.以下是仅仅获取每一个总页中标题内容的代码 max_page= #爬取的最大页数 all_title = [] #爬取的标题存储列表 all_time = [] #爬取的发表时间储存列表 headers = {'User-Agent': ''} #构造头文件，模拟浏览器。 for page in range(1,max_page+1): #获取网页源代码 print('crawling the page is {}'.format(page)) url= f'http://guba.eastmoney.com/list,zssz399006,f_{page}.html' response = requests.get(url, headers=headers) #解析网页源代码 root = etree.HTML(response.text) title = root.xpath("//div[contains(@class,'articleh normal_post')]//span[@class='l3 a3']//a//text()") time = root.xpath("//div[contains(@class,'articleh normal_post')]//span[@class='l5 a5']//text()") all_title += title #保存到总数组上 all_time += time data_raw = pd.DataFrame() data_raw['title'] = all_title data_raw['time'] = all_time data_raw.to_excel('.//data_raw.xlsx', index=False) 四、完整代码以下是本人长时间自己摸索所写，因本人非计算机专业，所写内容如有错误请各位前辈同仁所担待并提出宝贵意见，原谅本人不能提供相对完整代码，框架已写好，缺失部分填写对应的标签即可，如有需要请联系本人（注明来意） `` import requests from lxml import etree import re import csv f = open('创业板股吧评.csv',mode='a',encoding='utf-8',newline='')#可以自己改文件名 csv_writer = csv.DictWriter(f,fieldnames=['标题','标题url','发布时间','总阅读人数','总评论数','正文'])#这个是表的字段名称 csv_writer.writeheader() def xiangqing(n): url = 'http://guba.eastmoney.com/list,zssz399006_{}.html'.format(n) print('crawling the page is {}'.format(n)) header = { 'User-Agent': ' ' } response = requests.get(url,headers=header) html = etree.HTML(response.text) text = html.xpath(' ') url_list = html.xpath(' ') return url_list def a(url_list): header = { 'User-Agent': ' ' } for url in url_list: new_url = 'http://guba.eastmoney.com' + url response = requests.get(new_url,headers = header) html = etree.HTML(response.text) title = re.findall(' ',response.text)[0].replace('"','') text = re.findall(' ',response.text)[0].replace('"','') readers = re.findall(r' ', response.text)[0] # 获取总人数 comments = re.findall(r' ', response.text)[0] # 获取总评价数 date = html.xpath(' ')[0] # 获取发布时间 dic = { } csv_writer.writerow(dic) #将获取到的数据写入创建的csv文件中# def bianli(): if __name__ == '__main__': for i in range(3195,3295): #以下是循环代码 五、爬取结果由于本人正处在多进程学习当中，多进程代码无法提供，请谅解。
本人初次接触爬虫，一名金融非计算机专业的研究生二年级学生，学习之路漫漫且困难重重，以上信息如有雷同，请谅解。 希望广大学者指导交流。 接下来会写一篇lstm进行情感分析，请广大读者持续关注，谢谢。 本人 QQ:私信联系博主 |
从图中可以看出，这五个字段分别位于行标签内，对应的属性分别是"l1 a1"、“l2 a2”、“l3 a3”、“l4 a4”、“l5 a5”。 如果单纯想要获取此网址所对应的数据，参考此方法都可以进行爬取。但是，爬取之后会发现标题内容是不全，缺失的： 
所以我们需要确定每一条详细评论的详情网页： 
以上通过简单分析，我们确定了所需要数据对应的标签结构所在处。 我们需要爬取不止一页的数据，因此还要分析以下情况： 首页：http://guba.eastmoney.com/list,zssz399006.html 第二页：http://guba.eastmoney.com/list,zssz399006_2.html 可以看出个股吧链接主要由三部分组成：list、名称代码、页数 通过以上分析，我们基本可以爬取需要的数据。
此正文部分可进行相关情绪分析且内容完整。【本文地址】