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：

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：

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：

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。

三、部分代码

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。

此正文部分可进行相关情绪分析且内容完整。

六、自我介绍

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:2102264911