CN104133834A - 指定地域微博数据收集与处理方法 - Google Patents

Abstract

本发明公开了一种指定地域微博数据收集与处理方法，首先进行GEO地理信息种子点选取，然后获取微博数据，最后对微博数据处理。本发明采用并行多用户调用方式增加数据搜集流量；采用多信息点覆盖搜集微博数据，能够满足指定地域下微博数据收集与处理的要求。

Description

指定地域微博数据收集与处理方法

技术领域

本发明涉及微博数据处理方法领域，具体是一种指定地域微博数据收集与处理方法。

背景技术

随着微博的兴起，这种包含了大量微观点并带有情感倾向的短文本迅速富集，微博文本分析成为热门研究方向。

在微博数据搜集过程中，大量的微博数据搜集策略通常采用爬虫抓取方法，该方法抓取速度快、效率高，但是抓取的数据噪音大，虽然减少了数据搜集的时间，但是却成倍的增加了获得精确数据的预处理时间；且爬虫不稳定，常常面临被新浪封禁的危险。少量微博数据一般采用新浪微博第三方API进行调用搜集，该方法搜集的数据噪音少、区域明显，但是包含了大量的推送广告，又额外增加了无用数据比例。

无论是爬虫方法还是传统的新浪第三方API调用，都无法大量获得指定域下的微博数据，特别是指定地域下微博数据的处理，爬虫方法和新浪第三方API调用皆无法适用。

发明内容

本发明的目的是提供一种指定地域微博数据收集与处理方法，以解决现有技术爬虫方法或第三方API调用无法大量获取指定地域下微博数据的问题。

为了达到上述目的，本发明所采用的技术方案为：

指定地域微博数据收集与处理方法，其特征在于：包括以下步骤：

(1)、GEO地理信息种子点选取：

设目标种子点数量为N，对指定城市区域使用矩形切割，确定城市边缘；做矩形区域对角线，以地图比例尺长度10公里间距做平行线，分割矩形区域；在各条分割平行线上，以地图比例尺长度5公里为半径做圆形区域依次覆盖矩形区域，各圆形区域不重叠；分隔线上不足5公里的区域按实际情况采用合适圆形区域覆盖；对于各圆形区域结合处，以比例尺半径为R公里的圆形区域覆盖该区域，R≤5，要求做到重叠区域不超过3％；覆盖指定地域的各圆形区域的圆心即为候选GEO地理信息种子点，候选GEO地理信息种子点总数量记为N'，根据公式(1)确定最后种子点数量：

$f=\left\{\begin{array}{cc}{N}^{\&prime;},& N^{\&prime;}<N\\ N,& N\&le;N^{\&prime;}\end{array}\right.---\left(1\right)$

公式(1)中，f表示种子点数量，当候选GEO地理信息种子点数量N'小于目标种子点数量N时，取候选GEO地理信息种子点作为最终种子点；当候选GEO地理信息种子点数量N'大于目标种子点数量N时，调整候选GEO地理信息种子点圆形区域的位置及半径大小，使覆盖矩形区域的圆形区域数量为N以内的整数，此时选择调整后的圆形区域的为最终种子点区域；

根据上述获得的最终种子点，即f所代表的种子点，定位地图信息，导出经纬度数据，即可得到种子点的GEO地理信息；

(2)、微博数据获取；

根据步骤(1)获取的种子点GEO地理信息数据，调用微博第三方API接口，获取指定区域内的微博数据；微博数据包括微博创建时间、微博信息内容、地理信息字段；获取的微博数据通过UTF-8格式的TXT文本文件保存在本地，记为D_GEO；

(3)、微博数据处理：

将步骤(2)中获取的微博文本文件D_GEO按照微博创建时间及对应的地理信息成对提取出来，并以UTF_8格式的文本文件保存在本地，记为D_t×geo；从微博文本文件D_GEO中提取出微博信息内容，并本地以UTF-8格式的文本保存，记为D_cont。

本发明改进了新浪第三方API，采用并行多用户调用方式增加数据搜集流量；采用多信息点覆盖搜集微博数据，以弥补微博接口获得数据精确度的不足，能够满足指定地域下微博数据收集与处理的要求。

具体实施方式

指定地域微博数据收集与处理方法，地域为存在微博使用者发布微博的区域，地域边界以行政边界划分；地域微博为出现在指定地域内的微博用户所发送的所有微博。包括以下步骤：

(1)、GEO地理信息种子点选取：

设目标种子点数量为N，对指定城市区域使用矩形切割，确定城市边缘；做矩形区域对角线，以地图比例尺长度10公里间距做平行线，分割矩形区域；在各条分割平行线上，以地图比例尺长度5公里为半径做圆形区域依次覆盖矩形区域，各圆形区域不重叠；分隔线上不足5公里的区域按实际情况采用合适圆形区域覆盖；对于各圆形区域结合处，以比例尺半径为R公里的圆形区域覆盖该区域，R≤5，要求做到重叠区域不超过3％；覆盖指定地域的各圆形区域的圆心即为候选GEO地理信息种子点，候选GEO地理信息种子点总数量记为N'，根据公式(1)确定最后种子点数量：

$f=\left\{\begin{array}{cc}{N}^{\&prime;},& N^{\&prime;}<N\\ N,& N\&le;N^{\&prime;}\end{array}\right.---\left(1\right)$

公式(1)中，f表示种子点数量，当候选GEO地理信息种子点数量N'小于目标种子点数量N时，取候选GEO地理信息种子点作为最终种子点；当候选GEO地理信息种子点数量N'大于目标种子点数量N时，调整候选GEO地理信息种子点圆形区域的位置及半径大小，使覆盖矩形区域的圆形区域数量为N以内的整数，此时选择调整后的圆形区域的为最终种子点区域；

根据上述获得的最终种子点，即f所代表的种子点，定位地图信息，导出经纬度数据，即可得到种子点的GEO地理信息；

(2)、微博数据获取；

根据步骤(1)获取的种子点GEO地理信息数据，调用微博第三方API接口，获取指定区域内的微博数据；微博数据包括微博创建时间、微博信息内容、地理信息字段；获取的微博数据通过UTF-8格式的TXT文本文件保存在本地，记为D_GEO；

(3)、微博数据处理：

将步骤(2)中获取的微博文本文件D_GEO按照微博创建时间及对应的地理信息成对提取出来，并以UTF_8格式的文本文件保存在本地，记为D_t×geo；从微博文本文件D_GEO中提取出微博信息内容，并本地以UTF-8格式的文本保存，记为D_cont。

Claims (1)

1.指定地域微博数据收集与处理方法，其特征在于：包括以下步骤：

(1)、GEO地理信息种子点选取：

设目标种子点数量为N，对指定城市区域使用矩形切割，确定城市边缘；做矩形区域对角线，以地图比例尺长度10公里间距做平行线，分割矩形区域；在各条分割平行线上，以地图比例尺长度5公里为半径做圆形区域依次覆盖矩形区域，各圆形区域不重叠；分隔线上不足5公里的区域按实际情况采用合适圆形区域覆盖；对于各圆形区域结合处，以比例尺半径为R公里的圆形区域覆盖该区域，R≤5，要求做到重叠区域不超过3％；覆盖指定地域的各圆形区域的圆心即为候选GEO地理信息种子点，候选GEO地理信息种子点总数量记为N'，根据公式(1)确定最后种子点数量：

$f=\left\{\begin{array}{cc}{N}^{\&prime;},& N^{\&prime;}<N\\ N,& N\&le;N^{\&prime;}\end{array}\right.---\left(1\right)$

公式(1)中，f表示种子点数量，当候选GEO地理信息种子点数量N'小于目标种子点数量N时，取候选GEO地理信息种子点作为最终种子点；当候选GEO地理信息种子点数量N'大于目标种子点数量N时，调整候选GEO地理信息种子点圆形区域的位置及半径大小，使覆盖矩形区域的圆形区域数量为N以内的整数，此时选择调整后的圆形区域的为最终种子点区域；

根据上述获得的最终种子点，即f所代表的种子点，定位地图信息，导出经纬度数据，即可得到种子点的GEO地理信息；

(2)、微博数据获取；

根据步骤(1)获取的种子点GEO地理信息数据，调用微博第三方API接口，获取指定区域内的微博数据；微博数据包括微博创建时间、微博信息内容、地理信息字段；获取的微博数据通过UTF-8格式的TXT文本文件保存在本地，记为D_GEO；

(3)、微博数据处理：

将步骤(2)中获取的微博文本文件D_GEO按照微博创建时间及对应的地理信息成对提取出来，并以UTF_8格式的文本文件保存在本地，记为D_t×geo；从微博文本文件D_GEO中提取出微博信息内容，并本地以UTF-8格式的文本保存，记为D_cont。