虽然不止百度有贴吧，但目前最具影响力的只有百度贴吧，所以我的选题——贴吧爬虫系统是专门针对百度贴吧，以下所说的贴吧都是指百度贴吧。

作为一个经常接触各种线上论坛和社区的大学生，贴吧在很长一段时间里都是我最常去的在线社区之一。贴吧作为一个线上交流平台，它将那些对有相同兴趣爱好的人们聚集在一起，通过发帖评论交流各自的看法认识，分享自己的生活——贴吧是一个闲聊唠嗑的交流平台；也可以交流对各自有用的资源或是发表技术帖，经验帖，攻略帖，互相帮助，更好的工作和学习——贴吧此时可以作为一个技术平台；作为以文字图片为主要表达形式的社区，也有人在贴吧上发表原创小说，无法牟利，只为表达和锻炼自己的文学才华，而且据我的观察，精彩的小说还不算少。或是编出一些段子笑话供大家娱乐，我本人也曾喜欢在贴吧看段子和小说——贴吧又是休闲娱乐的平台。这次选题即为贴吧爬虫系统，有一部分原因便是出于我对贴吧的兴趣，更多的是想要熟悉现今比较流行的python语言和爬虫技术，在本次毕业设计中锻炼自己的学习能力和编程能力，也开阔自己的视野。

贴吧是结合百度搜索引擎建立的，，以下，它的涵盖目录相当广泛，包括社会，地区，生活，教育，娱乐明星，游戏，动漫，小说，体育，企业，可以说，生活中的方方面面都能找到对应的这么一个帖吧。在2015年贴吧开始疯狂商业化变现之前，吧主本身就是贴吧的普通用户，基本上任何合法用户都可以创建属于自己的贴吧，然后聚集起有相同兴趣爱好的网友。它曾经有十分庞大的用户数量，2014年贴吧的活跃用户曾达到2亿之多，如此多的用户产生的的信息量相当庞杂，以至于即使后来的“血友吧事件”，“魏则西事件”发生，使得百度贴吧失信于社会，用户量开始下滑；以及现今的抖音，今日头条，微博等各类社交平台的崛起抢走了贴吧相当一部分的用户，贴吧的用户量依然不可小觑，产生的信息量也依然巨大。这些信息中不乏许多有价值的信息，想要高效的获取这些信息就需要有好的检索方法。通用的搜索引擎检索出来的信息有一定的局限性，它的目标是尽可能大的网络覆盖率，返回的结果通常有大量我们不需要的内容，因此有必要开发出专门针对贴吧的聚焦爬虫，从而更高效迅速的获取我们所需要的信息。

多种语言都可以实现爬虫，如Java，python，php，C#，C/C 等，现今也已经有了多种爬虫框架，如基于Java的Nutch，webmagic，基于python的scrapy，pyspider，基于PHP的phpspider，基于C 的Cobweb等等，可供选择的爬虫框架相当多。结合具体题目，贴吧数据量级很大，效率，扩展性，可维护性是必须考虑的因素，还面临诸多问题：多线程并发，I/O机制，分布式爬取，消息通讯，判重机制，任务调度等，此时，开发语言的选取是有很重大意义的。而python对以上问题都有较好支持，因此这次采用的是基于python的Scrapy框架。

2. 研究的基本内容与方案

基本内容和目标：使用python环境进行开发，采用web应用的形式实现如下功能：

1、信息检索：对贴吧帖子进行检索，可以选择在特定贴吧里检索或是某几个贴吧或是全部贴吧里检索，可以按照关键词检索，可以按照用户名检索。

2、信息整理：信息检索结果的过滤、删除、排序，可以按时间，相关性，回复量排序。

3、信息展示：信息检索结果的浏览、导出并保存等。

拟采用的技术方案：使用python环境，scrapy框架，使用Seletor做数据提取和筛选，用Item类保存爬取到的数据再用Item Pipeline将爬取道德数据保存到MongoDB数据库，实现存储功能；界面的展示使用HTML css python。在实际的开发过程可能还会遇到反爬虫之类的问题，还需要进一步探索和学习，争取解决问题。

1. 《Python基础教程（第3版）》 Magnus Lie Hetland 人民邮电出版社

   剩余内容已隐藏，您需要先支付 5元 才能查看该篇文章全部内容！立即支付