当前位置：首页 > java >正文

相关行业发展趋势写一个爬虫程序

java 2025/5/15 7:24:44

前两篇我利用爬虫进行营销推广，并且写了一个品牌口碑爬虫的代码示例。现在根据转向行业发展趋势，可能是希望收集数据来分析市场动向、竞争对手动态或者新兴技术趋势。

技术实现方面，需要选择合适的工具和库。Python的requests和BeautifulSoup是常见组合，但如果目标网站有动态加载内容，可能需要使用Selenium或Scrapy-Splash。此外，数据存储和分析部分可能需要使用Pandas进行数据处理，以及NLP库进行关键词提取和趋势分析。

在这里插入图片描述

以下是我写的另一个合法合规的爬虫代码示例，用于抓取公开的行业发展趋势数据（如行业新闻、政策文件、市场报告摘要等）。本示例以抓取行业新闻网站的标题和摘要为例，仅用于学习参考，需遵守目标网站的robots.txt协议并控制爬取频率。

目标：爬取行业新闻标题、摘要、发布时间，分析高频关键词和趋势变化。

代码实现（Python）

import requests
from bs4 import BeautifulSoup
import time
import pandas as pd
from collections import Counter
import jieba  # 中文分词库# 配置参数（需根据目标网站结构调整）
BASE_URL = "https://36kr.com/hot-list/catalog"  # 示例网站，实际需替换为合法目标
HEADERS = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36","Referer": "https://36kr.com/"
}
MAX_PAGES = 3  # 控制爬取页数
DELAY = 3  # 请求间隔（秒）def crawl_industry_news():news_data = []for page in range(1, MAX_PAGES + 1):url = f"{BASE_URL}/page/{page}"try:response = requests.get(url, headers=HEADERS, timeout=10)response.raise_for_status()soup = BeautifulSoup(response.text, 'html.parser')# 定位新闻条目（根据实际页面结构调整选择器）articles = soup.find_all('div', class_='article-item')for article in articles:title = article.find('a', class_='title').text.strip()summary = article.find('div', class_='summary').text.strip()publish_time = article.find('span', class_='time').text.strip()link = article.find('a', class_='title')['href']news_data.append({"title": title,"summary": summary,"time": publish_time,"link": link})print(f"第 {page} 页爬取完成")time.sleep(DELAY)  # 控制频率except Exception as e:print(f"爬取失败: {e}")break# 保存为CSVdf = pd.DataFrame(news_data)df.to_csv("industry_news.csv", index=False, encoding='utf-8-sig')return dfdef analyze_trends(df):# 合并所有文本内容all_text = ' '.join(df['title'] + ' ' + df['summary'])# 中文分词与停用词过滤words = jieba.lcut(all_text)stopwords = set(['的', '是', '在', '和', '了', '等', '与', '为'])  # 自定义停用词表filtered_words = [word for word in words if len(word) > 1 and word not in stopwords]# 统计高频词word_counts = Counter(filtered_words)top_words = word_counts.most_common(20)print("行业高频关键词Top20:")for word, count in top_words:print(f"{word}: {count}次")if __name__ == '__main__':df = crawl_industry_news()analyze_trends(df)

关键功能说明

数据抓取：
- 爬取新闻标题、摘要、发布时间和链接。
- 通过time.sleep(DELAY)控制请求频率，避免触发反爬。
数据分析：
- 使用jieba进行中文分词，统计高频关键词。
- 输出Top20行业关键词，辅助判断趋势方向（如“AI”、“碳中和”）。

扩展场景与数据源

1. 政策文件抓取（示例：中国政府网）

# 抓取政策文件标题和发布日期
def crawl_government_policies():url = "http://www.gov.cn/zhengce/zhengceku/"response = requests.get(url, headers=HEADERS)soup = BeautifulSoup(response.text, 'html.parser')policies = []for item in soup.select('.news_box .list li'):title = item.find('a').text.strip()date = item.find('span').text.strip()policies.append({"title": title, "date": date})return pd.DataFrame(policies)

2. 专利趋势分析（示例：中国专利数据库）

# 需使用Selenium模拟浏览器（动态加载页面）
from selenium import webdriverdef crawl_patents(keyword="人工智能"):driver = webdriver.Chrome()driver.get("http://pss-system.cnipa.gov.cn/")driver.find_element_by_id("searchKey").send_keys(keyword)driver.find_element_by_id("searchBtn").click()time.sleep(5)  # 等待加载patents = []# 解析专利名称、申请号、申请人等数据# （需根据实际页面结构编写解析逻辑）driver.quit()return patents

3. 招聘趋势分析（示例：拉勾网）

# 需处理反爬机制（如加密参数）
def crawl_job_trends(keyword="数据分析"):url = "https://www.lagou.com/jobs/list_数据分析"headers = {..., "Cookie": "需自行获取有效Cookie"}response = requests.get(url, headers=headers)# 解析职位数量、薪资范围、技能要求等

合法性与风险规避

合规原则：
- 仅抓取公开数据，避开需登录的页面。
- 遵守目标网站robots.txt。
反爬应对：
- 使用代理IP池（如requests + proxy）。
- 动态User-Agent轮换（库：fake_useragent）。
数据脱敏：
- 不存储无关的个人信息（如姓名、电话）。

数据分析与可视化（扩展）

时间趋势图：

import matplotlib.pyplot as plt
# 按月份统计新闻数量
df['month'] = pd.to_datetime(df['time']).dt.to_period('M')
monthly_counts = df.groupby('month').size()
monthly_counts.plot(kind='line', title='行业新闻月度趋势')
plt.show()

词云生成：

from wordcloud import WordCloud
text = ' '.join(filtered_words)
wordcloud = WordCloud(font_path='SimHei.ttf').generate(text)
plt.imshow(wordcloud)
plt.axis('off')
plt.show()