新浪微博数据抓取及情绪分析 微博数据爬虫开始爬虫之前请先了解代码实现（一）利用高级搜索抓取指定微博（二）抓取任意微博数据 文本情绪分析工具及原理数据预处理和模型训练
本文包含内容：借助Python抓取微博数据，可以实现对微博用户信息，微博内容，微博点赞数评论数转发数，评论内容等信息的抓取，并对抓取的数据进行情绪分析
代码实现：微博用户的行为与情感分析
爬虫过程中如有问题请留言，或者在github的代码中开issue，我们会及时解答。
微博数据爬虫 开始爬虫之前请先了解 Q：有哪些微博提供的数据是我们可以利用的？A：微博数据可以分为几类：博文相关数据，用户信息数据，单条微博评论数据，社交关系网络数据。
博文相关数据包括：微博的URL，微博作者的ID，微博的内容，发布的工具，微博发表时间，微博附带图的URL，转发数，评论数，点赞数，是否是转发的微博，源微博的URL
用户信息数据包括：用户ID，昵称，所在省，所在市，个人简介，生日，性别，会员等级，认证情况，微博发表数，粉丝数，关注数
评论数据包括：评论的URL，评论的用户ID，weibo的URL，评论内容，评论创建时间
社交关系网络数据包括：关注者的用户ID，被关注者的用户IDQ：抓取哪个微博平台的数据？
A：微博包含有手机端，网页端，即 weibo.cn 和 weibo.com ，对于爬取微博的数据这一任务而言，选择weibo.cn是最好的，其网页结构更为简单，解析网页更为方便，并且几乎包含了所有我们需要的数据，因此能用weibo.cn就不用其他的网站进行爬虫。Q：微博爬虫存在哪些难点？
A：微博登录是微博爬虫的一个基础，在爬虫之前需要先实现微博的自动登录，weibo.cn 和 weibo.com 两者的自动登录方式是不一样的，前者更为简单，本文讲解的是前者的数据爬虫，其自动登录方式为通过自动化工具 selenium获取cookie，之后携带cookie发出请求。
另外，微博可能存在封帐号的问题，因此可以买好小号用小号抓取数据。微博小号购买地址Q：使用的是什么工具？
A：本文介绍的是使用scrapy框架构建爬虫。给定初始的url，爬虫工具就会将该页面下载下来，并解析该页面的信息，得到该页面的微博数据，同时产生下一页的地址，并接着去抓取下一页Q：如果需要抓取大量的微博数据，有什么注意事项？
A：与其他网站不同，微博不会封IP，因此不用构建IP池，但是微博会存在封帐号的问题，因此需要构建一个账号池，并针对账号池中的所有账号获取cookie并存储。账号购买地址上面已经提供了，本文在抓取数据时最多购买了40个账号，进行多线程的大量微博数据抓取。 代码实现
代码实现地址：https://github.com/CUHKSZ-TQL/WeiboSpider_SentimentAnalysis
（一）利用高级搜索抓取指定微博首先介绍附带微博高级搜索功能的爬虫步骤。请参考链接中的WeiboSpider文件夹中的内容。
高级搜索意味着在抓取微博时，可以对目标微博的发布时间，发布地点，包含的关键词，是否为热门微博等进行限制，可以缩小爬虫范围，并且更具有实用性。一般而言如果要对抓取的数据进行分析，都会采用这一方法来明确抓取的微博类型。
本文提供的代码可以抓取到博文相关数据，用户相关数据以及微博评论相关数据。
步骤：
安装依赖
mongodb
phantomjs
redis
requirements.txt
构建账号池
购买微博小号
将账号密码复制到 WeiboSpider/sina/account_build/account.txt
运行 WeiboSpider/sina/account_build/login.py
运行成功会显示cookie创建成功
修改 WeiboSpider/sina/redis_init.py 中的日期，关键词，运行该文件进行微博检索（代码中默认抓取热门微博，如需更改可将url中的sort设置为time）
开始爬虫：
运行 WeiboSpider/sina/spider/weibo_spider.py 抓取目标数据
建议采取多线程同时抓取，提高速度
Mac用户在命令行中输入 scrapy crawl weibo_spider
Windows用户在命令行中输入 scrapy runspider weibo_spider.py
爬虫过程截图：
如果只是想要抓取任意微博，本文提供另外一种简单的方法，可以抓取目标用户的所有微博。请参考链接中的WeiboSpiderSimple文件夹中的内容。
步骤：
安装依赖mongodb
requirements.txt访问 https://weibo.cn/ 并登陆，获取对应的cookie，将WeiboSpiderSimple/sina/settings.py中的cookie换成你自己获取到的cookie DEFAULT_REQUEST_HEADERS = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.13; rv:61.0) Gecko/20100101 Firefox/61.0', 'Cookie':'OUTFOX_SEARCH_USER_ID_NCOO=1780588551.4011402; browser=d2VpYm9mYXhpYW4%3D; SCF=AsJyCasIxgS59OhHHUWjr9OAw83N3BrFKTpCLz2myUf2_vdK1UFy6Hucn5KaD7mXIoq8G25IMnTUPRRfr3U8ryQ.; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9WFGJINkqaLbAcTzz2isXDTA5JpX5KMhUgL.Foq0e0571hBp1hn2dJLoIp7LxKML1KBLBKnLxKqL1hnLBoMpe0ec1h5feKMR; SUB=_2A252a4N_DeRhGeBI61EV9CzPyD-IHXVVly03rDV6PUJbkdAKLRakkW1NRqYKs18Yrsf_SKnpgehmxRFUVgzXtwQO; SUHB=0U15b0sZ4CX6O4; _T_WM=0653fb2596917b052152f773a5976ff4; _WEIBO_UID=6603442333; SSOLoginState=1536482073; ALF=1539074073'} 指定爬取的用户ID将WeiboSpiderSimple/sina/spider/weibo_spider.py中的start_uids换成你想抓取的对象的微博ID。开始爬虫，执行scrapy crawl weibo_spider或者直接在pycharm当中运行WeiboSpiderSimple/sina/spider/weibo_spider.py
爬虫过程截图：
基于Python的snowNLP库作为情绪分析的模型。模型原理是机器学习中的朴素贝叶斯分类方法。在对文本进行分词和去除停用词等一系列基础处理后，将单句评论的词汇作为模型的特征：
( ω 1 , ω 2 , . . . , ω n ) (omega_1,omega_2,...,omega_n) (ω1,ω2,...,ωn)再利用朴素贝叶斯公式打分：
P ( C 1 ∣ ω 1 , ω 2 , . . . , ω n ) = P ( ω 1 ∣ C 1 ) . . . P ( ω n ∣ C 1 ) P ( C 1 ) P ( ω 1 ) . . . P ( ω n ) P(C_1|omega_1,omega_2,...,omega_n)=frac{P(omega_1|C_1)...P(omega_n|C_1)P(C_1)}{P(omega_1)...P(omega_n)} P(C1∣ω1,ω2,...,ωn)=P(ω1)...P(ωn)P(ω1∣C1)...P(ωn∣C1)P(C1)其中 C 1 C_1 C1代表积极类情绪，等式右边的计算基于训练好的模型，分数越高代表语句越积极。实际上是计算了训练出的特征的条件概率。
代码参考：Sentiment analysis.ipynb