东方财富股吧发帖与评论爬虫

东方财富股吧爬虫

项目介绍

该项目使用 selenium 模拟用户操作抓取股吧发帖和评论数据（允许多线程同时抓取多支股票的相关信息），并将抓取到的数据储存到 MongoDB 中，方便后续使用。

附加说明：非科班新手第一次写爬虫，代码效率一般（比如未使用 redis 做消息队列等等），适合新手入门或小规模爬取。以后若有能力与时间会对代码进行迭代维护，提高爬取效率，同时欢迎各位大佬提 issue。

主要功能

爬取指定股票股吧中的发帖信息，包括帖子标题，浏览量，评论数，帖子链接，发帖时间 (YYYY-MM-DD, HH: MM)，以 post_XXXXXX 为集合名储存到 MongoDB 中。
爬取指定时间范围中股吧帖子下的评论信息，包括评论内容，是一级或二级评论，点赞数，发帖时间 (YYYY-MM-DD, HH: MM)，以 comment_XXXXXX 为集合名储存到 MongoDB 中。
可以通过 post_XXXXXX 下的 _id 与 comment_XXXXXX 下的 post_id 建立映射关系，对帖子标题和评论内容进行匹配。

文件介绍

main.py : 主程序，直接在里面调用函数即可开始抓取数据。
crawler.py : 爬虫主体，包含了 PostCrawler 和 CommentCrawler 两个类，负责抓取帖子和评论的信息。
parser.py : 解析器，包含了 PostParser 和 CommentParser 两个类，负责解析帖子和评论的网页源码。
mongodb.py : 数据库接口，包含了 MongoAPI 类，负责建立与本地数据库的连接并实现基础操作。
stealth.min.js : 一个 javascript 文件，用来抹掉 selenium 中的自动化特征。

爬取逻辑

a. 爬取帖子信息

设定需要爬取的股吧帖子和页数范围后，爬虫将会爬取从 start_page 到第 end_page 页的所有帖子信息，包括标题、评论个数、浏览量、发帖时间和帖子对应的跳转链接（非股吧帖子的链接将会被剔除），以 post_XXXXXX 为名保存到本地名为 post_info 的数据库中（后续爬取对应股票的评论信息需要用到这一步的数据）。
注意保存的时间为发帖时间，而非更新时间。而如何确立发帖时间年份的函数集成在了 PostParser 类（不是通过访问帖子跳转链接获取），其中还有一些特殊情况的处理，不在此赘述。
当爬取帖子到 660 页左右时，一般会被限制访问，此时程序会自动退出 webdriver 并重新实例一个继续爬取。（ps: 暂时只知道这个解决方法，试过清理 cookies 和更改 user-agent，并不管用orz）

b. 爬取评论信息

爬取评论信息一定要等帖子信息爬取完之后才可以进行，因为要用到帖子对应的跳转链接，和该帖子是否有评论的信息（没有评论的帖子会从爬取列表中剔除，节省时间）。
输入 start_date 和 end_date 后，会自动从集合 post_XXXXXX 中筛选出该时间范围内且评论数不为零的帖子链接，爬取这些帖子下的一级评论、二级评论（ sub_comment 为 1 代表是二级评论，0 代表一级评论）、点赞数和评论时间，以 comment_XXXXXX 为名保存到本地名为 comment_info 的数据库中。
对于无法显示的违规评论，会自动略过该帖。有时帖子评论未能成功加载，则会在 0.2s 后刷新网页，若依旧加载失败，也会略过该帖子。
在爬取的时候会显示爬取页数和完成进度。若爬虫中途中断，会显示需要爬取的 _id 范围和出错的 id 值，可通过 find_by_id 方法从上次终止的地方接着抓取评论数据。

使用步骤

1. 下载代码

前往仓库地址

git clone

或

Download ZIP

下载。

2. MongoDB 安装

若没有 MongoDB，需要先下载，mac 推荐直接使用

homebrew

进行安装（官网教程）。

安装后记得在终端中启动 MongoDB，命令如下：

brew services start [email protected]

如果 MongoDB 运行在本地计算机上，而且也没有修改端口或者添加用户名及密码，那么不需要进行任何操作；若有更改，则需在

mongodb.py

中修改对应参数。

最后在 MongoDB 中**创建两个名为

post_info

和

comment_info

的数据库**，分别用来储存 发帖信息 和 评论信息。

3. Webdriver 安装

在电脑上下载

Chromedriver

，版本需要与

Chrome

一致，安装教程见 Chromedriver (mac)，Chromedriver (win)。

4. 运行 main.py

进入主程序

main.py

，安装没有安装的包，对参数进行修改（

main.py

中有相关参数的解释）即可开始爬取（注意在爬取评论信息前需要先爬取发帖信息）。

a. 爬取发帖信息参数设置示例:

thread1 = threading.Thread(target=post_thread, args=('000333', 1, 500))  # 设置想要爬取的股票代码和页数范围
thread2 = threading.Thread(target=post_thread, args=('000729', 1, 500))  # 可同时进行多个线程

第一个参数为

stock_symbol

，第二个参数为

start_page

，第三个参数为

end_page

。

thread1

表示爬取

股吧从第 1 页到第 500 页的帖子信息。

b. 爬取评论信息参数设置示例：

thread1 = threading.Thread(target=comment_thread_date, args=('000333', '2020-01-01', '2023-12-31'))
thread2 = threading.Thread(target=comment_thread_date, args=('000729', '2020-01-01', '2023-12-31'))

第一个参数为

stock_symbol

，第二个参数为

start_date

，第三个参数为

end_date

。

thread1

表示爬取

2020-01-01

到

2023-12-31

范围中

股吧帖子下的评论信息。

5. 查看数据

爬取成功后，帖子相关信息以

post_XXXXXX

为集合名储存在

post_info

数据库中，评论相关信息以

comment_XXXXXX

为集合名储存在

comment_info

数据库中。

踩过的坑

在设置 webdriver 时，不要设置 options.add_argument(‘blink-settings=imagesEnabled=false’) 来取消加载网页的图片。这样确实会极大地提升爬取速度，但也许爬虫特征太明显了，东方财富会把你的 IP 拉黑，所有访问的网页都会跳转到方正证券吧。不过 IP 拉黑貌似不是永久的，过了一个小时左右就把我放出来了（误 orz
有一些帖子不是股吧官方的（少数），底下的评论格式会不一样，因此本项目剔除了这部分帖子（占比较少不会造成太大影响）。
发帖界面上只有月份和日期，没有年份这一信息，所以需要自己来处理判断年份。需要注意的是 问董秘 这一栏目显示的是最后更新的时间，而帖子的排序是按照发帖时间来的（应该是一个 BUG），需要特殊处理一下。
部分热度较高的帖子的评论区会分为 热门评论 和 全部评论，在定位网页元素的时候需要注意一下，避免爬取到重复评论。