相关行业发展趋势写一个爬虫程序

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。

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CSV
    df = pd.DataFrame(news_data)
    df.to_csv("industry_news.csv", index=False, encoding='utf-8-sig')
    return df

def 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

1. 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。
2. 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 webdriver

def 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

1. 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。
2. 反爬应对：
   • 使用代理IP池（如requests + proxy）。
   • 动态User-Agent轮换（库：fake_useragent）。
3. 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）

1. 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()
   

2. 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()
   

总结

通过合法爬虫抓取行业新闻、政策、专利等公开数据，结合自然语言处理（NLP）和时间序列分析，可快速识别行业趋势。关键点：

1. 聚焦公开数据，避免法律风险。
2. 动态应对反爬（频率控制、代理IP）。
3. 数据驱动决策：将爬取结果转化为可视化报告或关键词洞察。

以上就是我写的全部内容，具体情况还得参考实际做调整，但是大体框架是没错的。