殷美桂

（河源職業(yè)技術(shù)學(xué)院電子與信息工程學(xué)院，河源 517000）

0 引言

大數(shù)據(jù)時(shí)代下，隨著互聯(lián)網(wǎng)應(yīng)用技術(shù)的成熟，越來越多的用戶使用社交平臺(tái)，其中微博作為一種非常流行的媒體平臺(tái)，成為人們自由表達(dá)觀點(diǎn)及社會(huì)交流的媒介。據(jù)2022 年9 月微博發(fā)布的三季報(bào)顯示，9 月的月活躍用戶數(shù)為5.84億，日均活躍用戶數(shù)為2.53億［1］。微博憑借龐大的用戶群體及實(shí)時(shí)的社交互動(dòng)方式，成為社會(huì)熱點(diǎn)話題討論和輿情發(fā)酵平臺(tái)［2］。大學(xué)生群體具有思想獨(dú)立、上網(wǎng)時(shí)間長和獵奇心理強(qiáng)等特點(diǎn)，更愿意通過網(wǎng)絡(luò)媒體發(fā)聲；同時(shí)，大學(xué)生群體因思想不成熟，在面對真假難辨的消息時(shí)更容易受到他人蠱惑。近年來，高校頻頻成為網(wǎng)絡(luò)輿論場，根據(jù)人民網(wǎng)輿情數(shù)據(jù)中心統(tǒng)計(jì)，2020 年涉及高校全國重大輿情同比增加33%，與2018 年相比增幅達(dá)到133%［3］。高校管理者如何從互聯(lián)網(wǎng)海量的信息提取出針對本校的輿情數(shù)據(jù)，以及在網(wǎng)絡(luò)輿情的發(fā)展形成之際對網(wǎng)絡(luò)輿情進(jìn)行正確的引導(dǎo)，顯得尤其重要。高校網(wǎng)絡(luò)輿情系統(tǒng)可以代替人工監(jiān)測，輿情系統(tǒng)能對校園網(wǎng)絡(luò)輿情進(jìn)行自動(dòng)監(jiān)控，從互聯(lián)網(wǎng)中挖掘出針對本校的輿情信息，并對輿情信息進(jìn)行主題詞的統(tǒng)計(jì)和情感分析，幫助管理者了解學(xué)生關(guān)注的主題以及敏感事件的情感傾向，從而捕捉學(xué)生的思想動(dòng)態(tài)情況，能維護(hù)學(xué)校的輿論安全穩(wěn)定。

網(wǎng)絡(luò)輿情系統(tǒng)采用B/S模式，使用Django與Vue 框架實(shí)現(xiàn)前后端分離技術(shù)，數(shù)據(jù)存儲(chǔ)使用MySQL。系統(tǒng)后端采用Python 的Django 框架提供數(shù)據(jù)訪問的接口，前端框架通過Axios 訪問后端API 接口獲取數(shù)據(jù)，從而構(gòu)建可以展示的網(wǎng)站平臺(tái)。

1 相關(guān)理論和技術(shù)分析

1.1 網(wǎng)絡(luò)爬蟲

網(wǎng)絡(luò)爬蟲又名“網(wǎng)絡(luò)蜘蛛”，是建立在搜索引擎基礎(chǔ)上的信息收集技術(shù)，從網(wǎng)站的某一個(gè)頁面開始，按照指定規(guī)則循環(huán)讀取網(wǎng)頁的鏈接，以獲取網(wǎng)頁內(nèi)容。網(wǎng)絡(luò)爬蟲按照實(shí)現(xiàn)技術(shù)，可分為通用網(wǎng)絡(luò)爬蟲和主題網(wǎng)絡(luò)爬蟲。Scrapy 是基于Python 語言開發(fā)的Web 數(shù)據(jù)采集框架［4］。Scarpy 是最受歡迎的爬蟲框架之一，面向用戶的多種需求，可進(jìn)行定制爬蟲開發(fā)。Scrapy 爬取的網(wǎng)頁信息具體流程如下［5］：

（1）初始化爬取鏈接。調(diào)度器（Scheduler）將需要爬取的微博網(wǎng)頁URL傳遞給Scrapy引擎。

（2）發(fā)送請求。調(diào)度器負(fù)責(zé)接收Scrapy 引擎發(fā)送的請求（Request），并將請求加入調(diào)度隊(duì)列。調(diào)度器將處理好的Request返回給引擎。

（3）獲取響應(yīng)。Request 由下載器（Downloader）獲取響應(yīng)（Responses）信息，交給Scrapy引擎，引擎轉(zhuǎn)交給Spider處理。

（4）處理Responses 信息。 Spider（爬蟲）負(fù)責(zé)處理所有的Responses，使用Xpath 進(jìn)行指定數(shù)據(jù)的提取或者將需要繼續(xù)處理的URL 提交引擎。Spider 將獲取的Item 字段由引擎交給Item pipelines 模塊。Item Pipelines 模塊會(huì)根據(jù)設(shè)置將數(shù)據(jù)儲(chǔ)存在CSV文件中。

1.2 Django框架

Django 是一個(gè)開放源代碼的應(yīng)用框架，基于MVC 的DjangoMVT 框架。Model 與MVC 中的M 功能相同，負(fù)責(zé)與數(shù)據(jù)庫中的進(jìn)行交互［6］。View 與MVC 中的C 功能相同，負(fù)責(zé)進(jìn)行業(yè)務(wù)處理。Template 與MVC 中的V 功能相同，負(fù)責(zé)封裝構(gòu)造返回的html。程序員利用Django 快速、便捷地創(chuàng)建數(shù)據(jù)庫驅(qū)動(dòng)的應(yīng)用程序。Django 中嵌入對象關(guān)系映射（ORM）框架，采用類定義數(shù)據(jù)模型，并將模型與關(guān)系數(shù)據(jù)庫連接，獲得一個(gè)數(shù)據(jù)庫操作的API。ORM 的優(yōu)點(diǎn)是以對象的方式操作數(shù)據(jù)庫，即使不懂SQL 語句的開發(fā)者也可以通過ORM輕松操作數(shù)據(jù)。

1.3 Vue框架

Vue.js用于構(gòu)建用戶界面的漸進(jìn)式框架，是目前應(yīng)用較為廣泛的JavaScript框架之一［7］。Vue開發(fā)優(yōu)勢主要表現(xiàn)在組件化開發(fā)，大大減少代碼編寫量；另外其最突出的優(yōu)勢是可以對數(shù)據(jù)進(jìn)行雙向綁定，采用v-model 指令對View 和Model層進(jìn)行數(shù)據(jù)綁定，當(dāng)視圖中的數(shù)據(jù)發(fā)生變化，同步更新后臺(tái)數(shù)據(jù)，后臺(tái)數(shù)據(jù)的變化也會(huì)反映在視圖中。

2 系統(tǒng)功能設(shè)計(jì)

網(wǎng)絡(luò)輿情系統(tǒng)涉及的技術(shù)領(lǐng)域包括網(wǎng)絡(luò)輿情信息的采集技術(shù)、話題檢測與跟蹤技術(shù)、文本情感分析技術(shù)［8］。根據(jù)網(wǎng)絡(luò)輿情涉及的技術(shù)，系統(tǒng)分為后端功能模塊和前端結(jié)果展示模塊。系統(tǒng)功能結(jié)構(gòu)圖如圖1所示。

圖1 系統(tǒng)功能結(jié)構(gòu)圖

2.1 數(shù)據(jù)采集模塊

高校一般在新浪微博都有官方賬號(hào)用于發(fā)布學(xué)校資訊，而大學(xué)生喜歡在微博平臺(tái)發(fā)布個(gè)人看法及熱點(diǎn)事件的評論，系統(tǒng)主要采集新浪微博數(shù)據(jù)作為數(shù)據(jù)源。數(shù)據(jù)獲取主要分為三個(gè)步驟：向URL發(fā)送請求、數(shù)據(jù)爬取、數(shù)據(jù)存儲(chǔ)。本系統(tǒng)采用Python 語言中的Scrapy 爬蟲框架，調(diào)用新浪微博公開的應(yīng)用程序接口（API）實(shí)現(xiàn)對特定網(wǎng)頁信息的爬取，其檢索策略是基于設(shè)定好的學(xué)校名稱關(guān)鍵詞。在采集工作開始之前，先在URL 隊(duì)列中初始化一個(gè)或幾個(gè)URL，爬蟲程序可根據(jù)設(shè)定的URL 依次去請求訪問對應(yīng)網(wǎng)頁，因微博需登錄驗(yàn)證后才可以訪問網(wǎng)頁，Request 中必須包含登錄驗(yàn)證的Cookie 信息。爬蟲接收網(wǎng)頁端的Responses，使用Xpath 來定位爬取指定內(nèi)容，儲(chǔ)存在CSV文件。

在進(jìn)行輿情分析、熱詞發(fā)現(xiàn)和情感分析之前，要對數(shù)據(jù)進(jìn)行預(yù)處理。數(shù)據(jù)預(yù)處理分為數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換和文本分詞。

（1）數(shù)據(jù)清洗。由于未經(jīng)處理的數(shù)據(jù)含有噪聲，如數(shù)據(jù)中存在很多無意義的符號(hào)、連接、數(shù)字、圖片等噪音，并且還會(huì)有大量的缺失值，這對文本的數(shù)據(jù)分析沒有太大意義。去除“臟數(shù)據(jù)”的方法有很多，一般采用正則表達(dá)式進(jìn)行規(guī)則匹配，利用正則表達(dá)式過濾掉無意義的詞語。系統(tǒng)對臟數(shù)據(jù)進(jìn)行清洗主要包括：去除亂碼和填充空字段等。采集到的網(wǎng)頁源碼往往存在一定程度的亂碼和一些對文本分析無意義的信息，如廣告和注釋等，因此需要對其進(jìn)行過濾操作去除亂碼，通過過濾對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。另外，由于采集到的微博字段有些為空，因此需要將空值進(jìn)行填充。

（2）數(shù)據(jù)轉(zhuǎn)換。數(shù)據(jù)轉(zhuǎn)換就是將數(shù)據(jù)進(jìn)行轉(zhuǎn)換或歸并，從而構(gòu)成一個(gè)適合數(shù)據(jù)處理的描述形式。系統(tǒng)主要對一些屬性，如日期、評論、點(diǎn)贊等數(shù)據(jù)進(jìn)行轉(zhuǎn)換，將其轉(zhuǎn)換為規(guī)格化的數(shù)據(jù)。如在抓取微博發(fā)布時(shí)間時(shí)會(huì)出現(xiàn)“2 小時(shí)前”“昨天”“剛剛”等字眼，這會(huì)導(dǎo)致數(shù)據(jù)庫中發(fā)布時(shí)間字段格式不統(tǒng)一，因此需要將時(shí)間格式統(tǒng)一為“年-月-日”。

（3）中文分詞。中文不同于英文，英文單詞之間使用空格連接，中文文本都是句子，需要將處理后的數(shù)據(jù)分割為詞語。中文文本的分詞軟件主要有中國科學(xué)院的ICTCLAS、jieba 分詞和北京大學(xué)語言計(jì)算與機(jī)器學(xué)習(xí)研究組研制推出的一套全新的中文分詞工具包pkuseg。用戶可以根據(jù)pkuseg待分詞文本的領(lǐng)域特點(diǎn)，自由地選擇不同的模型。系統(tǒng)采用網(wǎng)絡(luò)領(lǐng)域的分詞模型，更精確地對微博文本進(jìn)行分詞，分詞后對數(shù)據(jù)去重、去停用詞、去無關(guān)詞、去除開頭末尾為數(shù)字或符號(hào)的分詞，如日期、錯(cuò)誤分詞等。

2.2 輿情的情感分析

微博文本的情感分析基于百度PaddleHub預(yù)訓(xùn)練情感傾向分析模型（Senta）［9］，針對中文文本，模型可自動(dòng)判斷文本情感極性類別和置信度。Senta 開源一系列模型，如BOW、CNN、Bi-LSTM 等。PaddleHub 可以支持文本、圖像、視頻、語音、工業(yè)應(yīng)用五大方向，提供高質(zhì)量的預(yù)訓(xùn)練模型，減少用戶訓(xùn)練模型的工作量。本文采用Paddle_Senta 的BiLSTM 進(jìn)行情感的二分類（積極、消極）任務(wù)。BiLSTM 模型是長短期記憶神經(jīng)網(wǎng)絡(luò)模型（LSTM）的一種變體［10］。情感分析實(shí)質(zhì)上是一個(gè)分類任務(wù)，系統(tǒng)對微博正文進(jìn)行情感的分類，對數(shù)據(jù)進(jìn)行標(biāo)注，并將結(jié)果寫入數(shù)據(jù)庫中，為系統(tǒng)實(shí)現(xiàn)微博文章的輿論分析、輿情發(fā)展趨勢，以及正負(fù)面輿論占比等奠定數(shù)據(jù)基礎(chǔ)。

3 網(wǎng)絡(luò)輿情系統(tǒng)的實(shí)現(xiàn)

系統(tǒng)基于B/S采用前后端分離的技術(shù)，首先采用Scrapy 采集數(shù)據(jù)，使用Django+MySQL 搭建系統(tǒng)后端平臺(tái)，前端采用Vue+Element Plus+Echarts構(gòu)建前端應(yīng)用UI界面和圖表。

3.1 系統(tǒng)后端模塊實(shí)現(xiàn)

系統(tǒng)后端采用PyCharm 集成開發(fā)環(huán)境、程序開發(fā)語言Python，搭配Django 框架。使用Django 框架開發(fā)程序的流程包括：①首先創(chuàng)建Django 項(xiàng)目。②創(chuàng)建APP 子應(yīng)用，為了提高代碼的利用率，將相同功能模塊的代碼放在同一個(gè)子應(yīng)用，可實(shí)現(xiàn)代碼復(fù)用。③設(shè)計(jì)模型類并進(jìn)行數(shù)據(jù)庫的遷移。系統(tǒng)定義數(shù)據(jù)微博文章類和微博文章情感類，模型的數(shù)據(jù)來源為爬蟲爬取的數(shù)據(jù)以及情感分析處理后的數(shù)據(jù)。④定義視圖view.py，在子應(yīng)用的view.py 定義視圖函數(shù)，函數(shù)會(huì)返回包含被請求頁面內(nèi)容的HttpResponse對象，該對象用于向客戶端Vue 返回json 數(shù)據(jù)，通過在Models 中定義類，采用objects.filter（）函數(shù)過濾數(shù)據(jù)庫中數(shù)據(jù)。⑤創(chuàng)建模板，使用模板方法可以動(dòng)態(tài)生成HTML。由于項(xiàng)目使用Django+Vue 前后端分離的技術(shù)，模板主要通過Vue 打包生成項(xiàng)目，打包完成后，生成dist 目錄，該目錄下包含index.htm。

3.2 系統(tǒng)前端模塊的實(shí)現(xiàn)

系統(tǒng)前端采用Vue 3.0+Element Plus+Echarts開發(fā)框架。Element Plus 是一款基于Vue3.X的頁面結(jié)構(gòu)框架，此框架提供一套完整的組件，包含導(dǎo)航、布局、表單、按鈕等功能豐富的組件。Vue 項(xiàng)目使用腳手架直接搭建，用Vue-router 實(shí)現(xiàn)前端路由的跳轉(zhuǎn)，用Axios 向后端服務(wù)器發(fā)起get 或post 請求。前端頁面主要包括以下幾個(gè)模塊：①用戶注冊和登錄模塊。②微博最新文章一覽表。該模塊的來源為經(jīng)預(yù)處理后爬取的數(shù)據(jù)。③微博文章的情感分析表。該模塊能顯示文章的情感分類情況，負(fù)面情感的文章在最前面展示，以便第一時(shí)間發(fā)現(xiàn)敏感輿論信息，如圖2所示。④微博文章的情感趨向圖。系統(tǒng)采用柱狀圖、餅圖對微博文章情感趨向進(jìn)行統(tǒng)計(jì)，如圖3所示。

圖2 微博文章情感分類表

圖3 文章情感趨向圖

4 結(jié)語

本文采用Django+Vue 框架，快速搭建基于新浪微博的學(xué)校網(wǎng)絡(luò)輿情系統(tǒng)，采用Scrapy 框架爬取學(xué)校的新浪微博文章，微博文章經(jīng)過預(yù)處理后采用BiLSTM 進(jìn)行情感分類，情感分類的結(jié)果準(zhǔn)確率較高。學(xué)校網(wǎng)絡(luò)輿情系統(tǒng)能對學(xué)校輿情進(jìn)行監(jiān)測，及時(shí)發(fā)現(xiàn)負(fù)面輿情，方便監(jiān)管部門進(jìn)行輿情的監(jiān)管。系統(tǒng)設(shè)計(jì)達(dá)到預(yù)期目標(biāo)，但是系統(tǒng)功能還需要完善，主要包括：一方面，系統(tǒng)爬取的輿情信息不夠全面，只針對指定的URL 進(jìn)行搜索，尚未對信息進(jìn)行全面采集；另一方面，目前只根據(jù)情感的正負(fù)方向進(jìn)行分類，對情感強(qiáng)烈程度尚未區(qū)分。未來計(jì)劃擴(kuò)大輿情信息的采集范圍，充分挖掘數(shù)據(jù)價(jià)值。