疫情下的舆情预测系统工作报告part.1

项目地址：

https://github.com/Lee991211/Innovation_training.git

任务的确定：数据爬取和预处理

对于一个疫情下舆情预测系统，最重要的就是依照什么数据进行模型的训练。训练数据来源不同，模型预测出的舆情可能千差万别。微博作为月活用户数达5亿级别的平台，用户量的下沉度足以满足需求。因此以微博平台为主，知乎、今日头条、观察者网各个平台共同爬取。

爬取方法的确定：框架or脚本？selenium or scrapy？

对于爬取方法的选择应当与网站结构相对应，对微博而言，选择selenium还是scrapy成了一个问题。在框架的选择上，最初的想法是曾经使用过的selenium。

Selenium是一个自动化测试工具，可以驱动浏览器器执行特定的动作，如点击，下拉等。同时还可以获取浏览器当前呈现页面的源代码，可见即可爬。

selenium+python3

selenium在多个页面爬取上的表现是比较出色的，例如中国土地网的土地供应公告页面内容爬取，就可以有效率的做到标题链接的打开和文件内容的爬取。

scrapy+python3

与selenium作为一个自动化的网页测试工具不同，scrapy的目的更为直接而纯粹

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中.其最初是为了页面抓取(更确切来说, 网络抓取 )所设计的。也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。

scrapy的优点在于，该框架已经搭建好了几乎所有模块，我们所需要做的就是定义抓取的数据以及存放形式。鉴于微博的关键词搜索功能是按照发布时间在同一页面线性排列的，因而selenium可能并不适用。所以最终选择了scrapy作为微博的抓取工具

观察者网？

对于观察者网的爬取本来也想做成与微博类似的，按关键词和时间进行爬取的项目，但是考虑到可能会与微博造成数据类型上的重叠，于是怕去了观察者网首页，并不需要使用框架。