CN114168836A - 网页数据分析及可视化方法、装置、电子设备及介质 - Google Patents
网页数据分析及可视化方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114168836A CN114168836A CN202111527782.0A CN202111527782A CN114168836A CN 114168836 A CN114168836 A CN 114168836A CN 202111527782 A CN202111527782 A CN 202111527782A CN 114168836 A CN114168836 A CN 114168836A
- Authority
- CN
- China
- Prior art keywords
- data
- webpage data
- standard
- webpage
- constructed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明涉及数据可视化领域,揭露了一种网页数据分析及可视化方法,包括:获取网页数据信息,在所述网页数据信息中爬取预定字段的原始网页数据;将所述原始网页数据进行文件格式转换,得到标准网页数据;利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数;通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据。本发明还提出一种网页数据分析及可视化装置、电子设备以及计算机可读存储介质。本发明可以解决用户往往不能便捷直观的获取需要的网络信息数据,导致用户获取信息的体验感差,效率低的问题。
Description
技术领域
本发明涉及数据可视化领域,尤其涉及一种网页数据分析及可视化方法、装置、电子设备及计算机可读存储介质。
背景技术
随着网络技术的快速发展,互联网由于拥有快速、便捷、高效的信息获取模式,开始逐渐成为人们获取信息的主要来源。
但当前网络信息数据开始呈现爆炸性增长,且普遍出现多且杂的缺点,随着时间的积累,将会产生大量无用的网络信息数据,因此用户往往不能便捷直观的获取需要的网络信息数据,导致用户获取信息的体验感差,效率低的现象。
发明内容
本发明提供一种网页数据分析及可视化方法、装置及计算机可读存储介质,其主要目的在于解决用户往往不能便捷直观的获取需要的网络信息数据,导致用户获取信息的体验感差,效率低的问题。
为实现上述目的,本发明提供的一种网页数据分析及可视化方法,包括:
获取网页数据信息,在所述网页数据信息中爬取预定字段的原始网页数据;
将所述原始网页数据进行文件格式转换,得到标准网页数据;
利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数;
通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据。
可选地,所述在所述网页数据信息中爬取预定字段的原始网页数据,包括:
构建需爬取字段;
利用预构建的封装文件封装所述需爬取字段,得到字段爬取文件;
利用预构建的爬虫程序,根据所述字段爬取文件,在所述网页数据信息中爬取网页数据,得到所述原始网页数据。
可选地,所述将所述原始网页数据进行文件格式转换,得到标准网页数据,包括:
定义文件处理方法,得到标准格式转换方法;
利用所述标准格式转换方法,将所述原始网页数据进行数据转换,得到所述标准网页数据。
可选地,所述利用所述标准格式转换方法,将所述原始网页数据进行数据转换,得到所述标准网页数据,包括:
提取所述原始网页数据的网页节点名称及所述网页节点名称对应的节点内容;
创建字段存储文件;
在所述字段存储文件中,利用预构建的字典存储方法,将所述网页节点名称转为键,并将所述节点内容转为值;
根据所述键及值,将所述原始网页数据进行字典式存储,得到标准存储数据;
利用预构建的数据读取方法,读取所述标准存储数据中的键;
根据所述标准存储数据中的键,索引所述标准存储数据中的值;
将所述标准存储数据中的键及值写入预构建的分词文档中,得到所述标准网页数据。
可选地,所述利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数,包括:
使用预构建的分词方法,对所述标准网页数据进行关键词切分,得到关键词集;
对所述关键词集进行筛选,得到目标关键词集;
汇总所述目标关键词集中每一个关键词出现的次数,得到所述关键词频数。
可选地,所述通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据,包括:
创建窗口对象;
在所述窗口对象中,确定画布尺寸;
利用预构建的函数绘制图形,根据所述关键词频数,绘制对应的图表,得到所述可视化网页数据。
可选地,所述可视化网页数据的获取方法,还包括:
接收预构建的绘图库;
利用预构建的数据导入模块,将所述关键词频数导入所述绘图库中,在所述绘图库中选择目标展示图样式;
根据所述目标展示图样式,将所述关键词频数进行图表展示,得到所述可视化网页数据。
为了解决上述问题,本发明还提供一种网页数据分析及可视化装置,所述装置包括:
原始网页数据获取模块,用于获取网页数据信息,在所述网页数据信息中爬取预定字段的原始网页数据;
标准网页数据转换模块,用于将所述原始网页数据进行文件格式转换,得到标准网页数据;
标准网页数据分词模块,用于利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数;
关键词频数可视化模块,用于通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的网页数据分析及可视化方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的网页数据分析及可视化方法。
相比于背景技术所述:用户往往不能便捷直观的获取需要的网络信息数据,导致用户获取信息的体验感差,效率低的现象,本发明实施例通过获取所述网页数据信息,并在所述网页数据信息中爬取预定字段的原始网页数据,进而得到后续分析处理需要的原始数据材料。通过对所述原始网页数据执行文件格式转换,得到所述标准网页数据,方便了后续对所述原始网页数据的处理。在得到所述标准网页数据后,可以根据所述标准网页数据的标准化格式,并利用所述分词组件来对所述标准网页数据进行分词操作,得到所述网页数据信息中的关键词,通过分析汇总所述关键词出现的频次,可以计算得到所述关键词频数。进而利用所述数据可视化组件对所述关键词频数进行图表可视化转换,得到所述可视化网页数据。因此本发明提出的网页数据分析及可视化方法、装置、电子设备及计算机可读存储介质,可以解决用户往往不能便捷直观的获取需要的网络信息数据,导致用户获取信息的体验感差,效率低的问题。
附图说明
图1为本发明一实施例提供的网页数据分析及可视化方法的流程示意图;
图2为图1中其中一个步骤的详细实施流程示意图;
图3为图1中另一个步骤的详细实施流程示意图;
图4为本发明一实施例提供的网页数据分析及可视化装置的功能模块图;
图5为本发明一实施例提供的实现所述网页数据分析及可视化方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种网页数据分析及可视化方法。所述网页数据分析及可视化方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述网页数据分析及可视化方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的网页数据分析及可视化方法的流程示意图。在本实施例中,所述网页数据分析及可视化方法包括:
S1、获取网页数据信息,在所述网页数据信息中爬取预定字段的原始网页数据。
可解释的,所述网页数据信息指网络上现有的资料数据信息。例如:某购物网站各类商品的销售信息、某市各个县区的人口信息等等。
应明白的,所述原始网页数据指以原有的数据存储格式进行存储的所述网页数据信息。所述预定字段指用户预先设定的字段数据,根据所述预定字段,可以在所述网页数据信息中爬取对应的详细数据。例如:某购物网站中各类商品的销量、价格及客户的评价等字段;某市各区县的人口占比、男女比例及出生率等字段。
本发明实施例中,所述在所述网页信息数据中爬取预定字段的原始网页数据,包括:
构建需爬取字段;
利用预构建的封装文件封装所述需爬取字段,得到字段爬取文件;
利用预构建的爬虫程序,根据所述字段爬取文件,在所述网页数据信息中爬取网页数据,得到所述原始网页数据。
可选择的,可以利用Python技术中的scrapy爬虫框架,在所述网页数据信息中,根据所述需爬取字段,爬取所述原始网页数据。其中,所述scrapy爬虫框架包括:items.py、piplines.py、Middlewares.py、settings.py等py文件。
应明白的,所述封装文件指上述items.py文件,可利用items.py文件将所述需爬取字段定义为nodeName=scrapy.Field()类型,并利用封装所述需爬取字段,得到所述字段爬取文件。
可理解的,Middlewares.py文件作为中间层文件,可以分为spider middleware和downloader middleware两类,可用于处理爬取网页的网络请求和相应,也可以设置代理IP。
应明白的,settings.py文件是配置文件,当需要使用的时候,根据注释提示,可编写内容去设置请求和响应的中间层文件。
本发明实施例中,基于所述scrapy爬虫框架,可以创建spider_name.py文件来建立对应的scrapy.Spider类,并生成parse(self,response)方法,在parse方法中利用Response对象、response.xpath()或response.css()方法解析所述网页数据信息,进而获取所述原始网页数据。
S2、将所述原始网页数据进行文件格式转换,得到标准网页数据。
可选择的,所述文件格式转换指将所述原始网页数据的存储文件格式进行转换,方便后续分析处理所述原始网页数据。所述标准网页数据指以预定格式进行存储的网页数据。例如:txt文档格式。
本发明实施例中,所述将所述原始网页数据进行文件格式转换,得到标准网页数据,包括:
定义文件处理方法,得到标准格式转换方法;
利用所述标准格式转换方法,将所述原始网页数据进行数据转换,得到所述标准网页数据。
可选择的,所述标准格式转换方法指利用所述scrapy爬虫框架中的piplines.py文件,将根据所述items.py文件爬取到的所述原始网页数据进行字典式存储,并将存储后的原始网页数据进行存储格式的转换。例如:可将所述原始网页数据存储为json数据。
详细地,参阅图2所示,所述将利用所述标准格式转换方法,将所述原始网页数据进行数据转换,得到所述标准网页数据,包括:
S21、提取所述原始网页数据的网页节点名称及所述网页节点名称对应的节点内容;
S22、创建字段存储文件;
S23、在所述字段存储文件中,利用预构建的字典存储方法,将所述网页节点名称转为键,并将所述节点内容转为值;
S24、根据所述键及值,将所述原始网页数据进行字典式存储,得到标准存储数据;
S25、利用预构建的数据读取方法,读取所述标准存储数据中的键;
S26、根据所述标准存储数据中的键,索引所述标准存储数据中的值;
S27、将所述标准存储数据中的键及值写入预构建的分词文档中,得到所述标准网页数据。
可解释的,所述网页节点名称指所述原始网页数据所在的网页名称。可通过建立ExamplePipline类,实现process_item(self,item,spider)方法,将爬取到的所述原始网页数据进行字典式存储。
可解释的,所述字段存储文件为上述piplines.py文件。所述字典存储方法为上述process_item(self,item,spider)方法。
应明白的,所述标准存储数据指要将爬取到的所述原始网页数据存储为json格式文件,所述json格式文件中的每一行内容都是以字典格式存储的字符串,字典的键(key)为爬取到的网页节点名称,值(value)是网页节点名称对应的节点内容。
可选择的,所述数据读取方法为Python中pandas库的read_json()方法。
S3、利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数。
可理解的,所述分词组件指预构建的Python中文分词组件,例如:jieba中文分词组件。所述jieba分词组件可支持3种分词模式:精确模式、全模式及搜索引擎模式。
可解释的,所述精确模式是利用所述jieba中文分词组件将所述标准网页数据中的网页节点名称对应的节点内容,最精确的切开,适合文本分析;所述全模式指将所述节点内容中所有可以成词的词语都扫描出来,速度很快,但不能解决歧义;所述搜索引擎模式指在所述精确模式的基础上,对所述节点内容中的长词再次进行切分,提高召回率,适合用于搜索引擎分词。
应明白的,为了方便所述分词组件能对json格式的所述标准网页数据进行分词操作,可利用Python中pandas库中的read_json()方法来读取所述标准网页数据,可先读取json数据集内容,再根据字典中的键(key)来获取对应的值(value),最后将获取的所述标准网页数据写入到预构建的data.txt文档中。
应明白的,用户可以对字典进行自定义,以便包含所述jieba词库中没有的词语,即使jieba词库由新词识别功能,但通过自行添加新词的方式可以提高分词的正确率。
详细的,参阅图3所示,所述利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数,包括:
S31、使用预构建的分词方法,对所述标准网页数据进行关键词切分,得到关键词集;
S32、对所述关键词集进行筛选,得到目标关键词集;
S33、汇总所述目标关键词集中每一个关键词出现的次数,得到所述关键词频数。
应明白的,所述分词组件的分词算法包括三种方式:第一、需要基于前缀词典实现高效的词图扫描,进而生成句子中汉子所有可能成词的情况,再生成所述所有可能成词情况所构成的有向无环图(DAG);第二、采用动态规划查找最大概率的路径,进而得到基于词频的最大切分组合;第三、对于未登录词,可采用基于汉字成词能力的HMM模型,其中,所述HMM模型使用Viterbi算法。
可理解的,可使用jieba.lcut()方法对存储在所述data.txt文档中的所述标准网页数据进行切分,统计汇总关键词出现的频率数。例如:某购物网站中,手表这一关键词出现的频率最高,表示钟表类的商品比较热销。
可解释的,所述jieba.lcut()方法接受三个输入参数:需要分词的字符串、cut_all参数及HMM参数,其中所述cut_all参数用来控制是否采用全模式,HMM参数用来控制是否使用HMM模型。
本发明实施例中,待分词的节点内容中的字符串可以是unicode或UTF-8字符串。
S4、通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据。
应明白的,所述数据可视化组件可采用Python中常用的数据可视化组件,例如:Matplotlib和Pyecharts等。
可理解的,所述数据可视化组件是利用一种分析理论和可视化界面来帮助用户直观的查看复杂数据的工具。数据可视化是挖掘数据价值的重要手段之一。
可解释的,所述可视化网页数据指将所述原始网页数据,通过所述关键词频数进行图表展示,使得数据更加直观的展示给用户。
本发明实施例中,所述通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据,包括:
创建窗口对象;
在所述窗口对象中,确定画布尺寸;
利用预构建的函数绘制图形,根据所述关键词频数,绘制对应的图表,得到所述可视化网页数据。
应明白的,可采用Matplotlib对所述关键词频数进行可视化展示。在将所述关键词频数进行可视化转换时,需要使用figure对象创建窗口对象,再利用figsize的参数来确定画布的尺寸。
可解释的,所述函数绘制图形指在所述Matplotlib中预先设置的绘制图形,包括:plot()绘制折线图、bar()绘制柱状图、barh()绘制直方图、pie()绘制饼状图、scatter()绘制散点图及boxplot()绘制箱线图等。
本发明实施例中,所述可视化网页数据的获取方法,还包括:
接收预构建的绘图库;
利用预构建的数据导入模块,将所述关键词频数导入所述绘图库中,在所述绘图库中选择目标展示图样式;
根据所述目标展示图样式,将所述关键词频数进行图表展示,得到所述可视化网页数据。
应明白的,还可采用Pyecharts数据可视化组件将所述关键词频数进行图表展示。
可理解的,所述绘图库指所述Pyecharts数据可视化组件中自带的绘图格式,例如:Bar饼状图、Pie饼图、Boxplo箱型图、Line折线图、Radar雷达图、EffectScatter动态散点图及Map动态地图等。所述数据导入模块指Pyecharts.charts模块。
相比于背景技术所述:用户往往不能便捷直观的获取需要的网络信息数据,导致用户获取信息的体验感差,效率低的现象,本发明实施例通过获取所述网页数据信息,并在所述网页数据信息中爬取预定字段的原始网页数据,进而得到后续分析处理需要的原始数据材料。通过对所述原始网页数据执行文件格式转换,得到所述标准网页数据,方便了后续对所述原始网页数据的处理。在得到所述标准网页数据后,可以根据所述标准网页数据的标准化格式,并利用所述分词组件来对所述标准网页数据进行分词操作,得到所述网页数据信息中的关键词,通过分析汇总所述关键词出现的频次,可以计算得到所述关键词频数。进而利用所述数据可视化组件对所述关键词频数进行图表可视化转换,得到所述可视化网页数据。因此本发明提出的网页数据分析及可视化方法、装置、电子设备及计算机可读存储介质,可以解决用户往往不能便捷直观的获取需要的网络信息数据,导致用户获取信息的体验感差,效率低的问题。
如图4所示,是本发明一实施例提供的网页数据分析及可视化装置的功能模块图。
本发明所述网页数据分析及可视化装置100可以安装于电子设备中。根据实现的功能,所述网页数据分析及可视化装置100可以包括原始网页数据获取模块101、标准网页数据转换模块102、标准网页数据分词模块103及关键词频数可视化模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
所述原始网页数据获取模块101,用于获取网页数据信息,在所述网页数据信息中爬取预定字段的原始网页数据;
可解释的,所述网页数据信息指网络上现有的资料数据信息。例如:某购物网站各类商品的销售信息、某市各个县区的人口信息等等。
应明白的,所述原始网页数据指以原有的数据存储格式进行存储的所述网页数据信息。所述预定字段指用户预先设定的字段数据,根据所述预定字段,可以在所述网页数据信息中爬取对应的详细数据。例如:某购物网站中各类商品的销量、价格及客户的评价等字段;某市各区县的人口占比、男女比例及出生率等字段。
本发明实施例中,所述在所述网页信息数据中爬取预定字段的原始网页数据,包括:
本发明实施例中,所述在所述网页信息数据中爬取预定字段的原始网页数据,包括:
构建需爬取字段;
利用预构建的封装文件封装所述需爬取字段,得到字段爬取文件;
利用预构建的爬虫程序,根据所述字段爬取文件,在所述网页数据信息中爬取网页数据,得到所述原始网页数据。
可选择的,可以利用Python技术中的scrapy爬虫框架,在所述网页数据信息中,根据所述需爬取字段,爬取所述原始网页数据。其中,所述scrapy爬虫框架包括:items.py、piplines.py、Middlewares.py、settings.py等py文件。
应明白的,所述封装文件指上述items.py文件,可利用items.py文件将所述需爬取字段定义为nodeName=scrapy.Field()类型,并利用封装所述需爬取字段,得到所述字段爬取文件。
可理解的,Middlewares.py文件作为中间层文件,可以分为spider middleware和downloader middleware两类,可用于处理爬取网页的网络请求和相应,也可以设置代理IP。
应明白的,settings.py文件是配置文件,当需要使用的时候,根据注释提示,可编写内容去设置请求和响应的中间层文件。
本发明实施例中,基于所述scrapy爬虫框架,可以创建spider_name.py文件来建立对应的scrapy.Spider类,并生成parse(self,response)方法,在parse方法中利用Response对象、response.xpath()或response.css()方法解析所述网页数据信息,进而获取所述原始网页数据。
所述标准网页数据转换模块102,用于将所述原始网页数据进行文件格式转换,得到标准网页数据;
可选择的,所述文件格式转换指将所述原始网页数据的存储文件格式进行转换,方便后续分析处理所述原始网页数据。所述标准网页数据指以预定格式进行存储的网页数据。例如:txt文档格式。
本发明实施例中,所述将所述原始网页数据进行文件格式转换,得到标准网页数据,包括:
定义文件处理方法,得到标准格式转换方法;
利用所述标准格式转换方法,将所述原始网页数据进行数据转换,得到所述标准网页数据。
可选择的,所述标准格式转换方法指利用所述scrapy爬虫框架中的piplines.py文件,将根据所述items.py文件爬取到的所述原始网页数据进行字典式存储,并将存储后的原始网页数据进行存储格式的转换。例如:可将所述原始网页数据存储为json数据。
本发明实施例中,所述利用所述标准格式转换方法,将所述原始网页数据进行数据转换,得到所述标准网页数据,包括:
提取所述原始网页数据的网页节点名称及所述网页节点名称对应的节点内容;
创建字段存储文件;
在所述字段存储文件中,利用预构建的字典存储方法,将所述网页节点名称转为键,并将所述节点内容转为值;
根据所述键及值,将所述原始网页数据进行字典式存储,得到标准存储数据;
利用预构建的数据读取方法,读取所述标准存储数据中的键;
根据所述标准存储数据中的键,索引所述标准存储数据中的值;
将所述标准存储数据中的键及值写入预构建的分词文档中,得到所述标准网页数据。
可解释的,所述网页节点名称指所述原始网页数据所在的网页名称。可通过建立ExamplePipline类,实现process_item(self,item,spider)方法,将爬取到的所述原始网页数据进行字典式存储。
可解释的,所述字段存储文件为上述piplines.py文件。所述字典存储方法为上述process_item(self,item,spider)方法。
应明白的,所述标准存储数据指要将爬取到的所述原始网页数据存储为json格式文件,所述json格式文件中的每一行内容都是以字典格式存储的字符串,字典的键(key)为爬取到的网页节点名称,值(value)是网页节点名称对应的节点内容。
可选择的,所述数据读取方法为Python中pandas库的read_json()方法。
所述标准网页数据分词模块103,用于利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数;
可理解的,所述分词组件指预构建的Python中文分词组件,例如:jieba中文分词组件。所述jieba分词组件可支持3种分词模式:精确模式、全模式及搜索引擎模式。
可解释的,所述精确模式是利用所述jieba中文分词组件将所述标准网页数据中的网页节点名称对应的节点内容,最精确的切开,适合文本分析;所述全模式指将所述节点内容中所有可以成词的词语都扫描出来,速度很快,但不能解决歧义;所述搜索引擎模式指在所述精确模式的基础上,对所述节点内容中的长词再次进行切分,提高召回率,适合用于搜索引擎分词。
应明白的,为了方便所述分词组件能对json格式的所述标准网页数据进行分词操作,可利用Python中pandas库中的read_json()方法来读取所述标准网页数据,可先读取json数据集内容,再根据字典中的键(key)来获取对应的值(value),最后将获取的所述标准网页数据写入到预构建的data.txt文档中。
应明白的,用户可以对字典进行自定义,以便包含所述jieba词库中没有的词语,即使jieba词库由新词识别功能,但通过自行添加新词的方式可以提高分词的正确率。
本发明实施例中,所述利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数,包括:
使用预构建的分词方法,对所述标准网页数据进行关键词切分,得到关键词集;
对所述关键词集进行筛选,得到目标关键词集;
汇总所述目标关键词集中每一个关键词出现的次数,得到所述关键词频数。
应明白的,所述分词组件的分词算法包括三种方式:第一、需要基于前缀词典实现高效的词图扫描,进而生成句子中汉子所有可能成词的情况,再生成所述所有可能成词情况所构成的有向无环图(DAG);第二、采用动态规划查找最大概率的路径,进而得到基于词频的最大切分组合;第三、对于未登录词,可采用基于汉字成词能力的HMM模型,其中,所述HMM模型使用Viterbi算法。
可理解的,可使用jieba.lcut()方法对存储在所述data.txt文档中的所述标准网页数据进行切分,统计汇总关键词出现的频率数。例如:某购物网站中,手表这一关键词出现的频率最高,表示钟表类的商品比较热销。
可解释的,所述jieba.lcut()方法接受三个输入参数:需要分词的字符串、cut_all参数及HMM参数,其中所述cut_all参数用来控制是否采用全模式,HMM参数用来控制是否使用HMM模型。
本发明实施例中,待分词的节点内容中的字符串可以是unicode或UTF-8字符串。
所述关键词频数可视化模块104,用于通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据。
应明白的,所述数据可视化组件可采用Python中常用的数据可视化组件,例如:Matplotlib和Pyecharts等。
可理解的,所述数据可视化组件是利用一种分析理论和可视化界面来帮助用户直观的查看复杂数据的工具。数据可视化是挖掘数据价值的重要手段之一。
可解释的,所述可视化网页数据指将所述原始网页数据,通过所述关键词频数进行图表展示,使得数据更加直观的展示给用户。
本发明实施例中,所述通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据,包括:
创建窗口对象;
在所述窗口对象中,确定画布尺寸;
利用预构建的函数绘制图形,根据所述关键词频数,绘制对应的图表,得到所述可视化网页数据。
应明白的,可采用Matplotlib对所述关键词频数进行可视化展示。在将所述关键词频数进行可视化转换时,需要使用figure对象创建窗口对象,再利用figsize的参数来确定画布的尺寸。
可解释的,所述函数绘制图形指在所述Matplotlib中预先设置的绘制图形,包括:plot()绘制折线图、bar()绘制柱状图、barh()绘制直方图、pie()绘制饼状图、scatter()绘制散点图及boxplot()绘制箱线图等。
本发明实施例中,所述可视化网页数据的获取方法,还包括:
接收预构建的绘图库;
利用预构建的数据导入模块,将所述关键词频数导入所述绘图库中,在所述绘图库中选择目标展示图样式;
根据所述目标展示图样式,将所述关键词频数进行图表展示,得到所述可视化网页数据。
应明白的,还可采用Pyecharts数据可视化组件将所述关键词频数进行图表展示。
可理解的,所述绘图库指所述Pyecharts数据可视化组件中自带的绘图格式,例如:Bar饼状图、Pie饼图、Boxplo箱型图、Line折线图、Radar雷达图、EffectScatter动态散点图及Map动态地图等。所述数据导入模块指Pyecharts.charts模块。
详细地,本发明实施例中所述网页数据分析及可视化装置100中能够产生如下技术效果:
相比于背景技术所述:用户往往不能便捷直观的获取需要的网络信息数据,导致用户获取信息的体验感差,效率低的现象,本发明实施例通过获取所述网页数据信息,并在所述网页数据信息中爬取预定字段的原始网页数据,进而得到后续分析处理需要的原始数据材料。通过对所述原始网页数据执行文件格式转换,得到所述标准网页数据,方便了后续对所述原始网页数据的处理。在得到所述标准网页数据后,可以根据所述标准网页数据的标准化格式,并利用所述分词组件来对所述标准网页数据进行分词操作,得到所述网页数据信息中的关键词,通过分析汇总所述关键词出现的频次,可以计算得到所述关键词频数。进而利用所述数据可视化组件对所述关键词频数进行图表可视化转换,得到所述可视化网页数据。因此本发明提出的网页数据分析及可视化方法、装置、电子设备及计算机可读存储介质,可以解决用户往往不能便捷直观的获取需要的网络信息数据,导致用户获取信息的体验感差,效率低的问题。
如图5所示,是本发明一实施例提供的实现网页数据分析及可视化方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如网页数据分析及可视化程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如网页数据分析及可视化程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如网页数据分析及可视化程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的网页数据分析及可视化程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取网页数据信息,在所述网页数据信息中爬取预定字段的原始网页数据;
将所述原始网页数据进行文件格式转换,得到标准网页数据;
利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数;
通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取网页数据信息,在所述网页数据信息中爬取预定字段的原始网页数据;
将所述原始网页数据进行文件格式转换,得到标准网页数据;
利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数;
通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种网页数据分析及可视化方法,其特征在于,所述方法包括:
获取网页数据信息,在所述网页数据信息中爬取预定字段的原始网页数据;
将所述原始网页数据进行文件格式转换,得到标准网页数据;
利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数;
通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据。
2.如权利要求1所述的网页数据分析及可视化方法,其特征在于,所述在所述网页数据信息中爬取预定字段的原始网页数据,包括:
构建需爬取字段;
利用预构建的封装文件封装所述需爬取字段,得到字段爬取文件;
利用预构建的爬虫程序,根据所述字段爬取文件,在所述网页数据信息中爬取网页数据,得到所述原始网页数据。
3.如权利要求2所述的网页数据分析及可视化方法,其特征在于,所述将所述原始网页数据进行文件格式转换,得到标准网页数据,包括:
定义文件处理方法,得到标准格式转换方法;
利用所述标准格式转换方法,将所述原始网页数据进行数据转换,得到所述标准网页数据。
4.如权利要求3所述的网页数据分析及可视化方法,其特征在于,所述利用所述标准格式转换方法,将所述原始网页数据进行数据转换,得到所述标准网页数据,包括:
提取所述原始网页数据的网页节点名称及所述网页节点名称对应的节点内容;
创建字段存储文件;
在所述字段存储文件中,利用预构建的字典存储方法,将所述网页节点名称转为键,并将所述节点内容转为值;
根据所述键及值,将所述原始网页数据进行字典式存储,得到标准存储数据;
利用预构建的数据读取方法,读取所述标准存储数据中的键;
根据所述标准存储数据中的键,索引所述标准存储数据中的值;
将所述标准存储数据中的键及值写入预构建的分词文档中,得到所述标准网页数据。
5.如权利要求4所述的网页数据分析及可视化方法,其特征在于,所述利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数,包括:
使用预构建的分词方法,对所述标准网页数据进行关键词切分,得到关键词集;
对所述关键词集进行筛选,得到目标关键词集;
汇总所述目标关键词集中每一个关键词出现的次数,得到所述关键词频数。
6.如权利要求5所述的网页数据分析及可视化方法,其特征在于,所述通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据,包括:
创建窗口对象;
在所述窗口对象中,确定画布尺寸;
利用预构建的函数绘制图形,根据所述关键词频数,绘制对应的图表,得到所述可视化网页数据。
7.如权利要求6所述的网页数据分析及可视化方法,其特征在于,所述可视化网页数据的获取方法,还包括:
接收预构建的绘图库;
利用预构建的数据导入模块,将所述关键词频数导入所述绘图库中,在所述绘图库中选择目标展示图样式;
根据所述目标展示图样式,将所述关键词频数进行图表展示,得到所述可视化网页数据。
8.一种网页数据分析及可视化装置,其特征在于,所述装置包括:
原始网页数据获取模块,用于获取网页数据信息,在所述网页数据信息中爬取预定字段的原始网页数据;
标准网页数据转换模块,用于将所述原始网页数据进行文件格式转换,得到标准网页数据;
标准网页数据分词模块,用于利用预构建的分词组件对所述标准网页数据进行分词操作,得到关键词频数;
关键词频数可视化模块,用于通过预构建的数据可视化组件,将所述关键词频数进行图表可视化转换,得到可视化网页数据。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的网页数据分析及可视化方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的网页数据分析及可视化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527782.0A CN114168836A (zh) | 2021-12-14 | 2021-12-14 | 网页数据分析及可视化方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527782.0A CN114168836A (zh) | 2021-12-14 | 2021-12-14 | 网页数据分析及可视化方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114168836A true CN114168836A (zh) | 2022-03-11 |
Family
ID=80486385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111527782.0A Withdrawn CN114168836A (zh) | 2021-12-14 | 2021-12-14 | 网页数据分析及可视化方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114168836A (zh) |
-
2021
- 2021-12-14 CN CN202111527782.0A patent/CN114168836A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113449187A (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
CN115002200A (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN112860905A (zh) | 文本信息抽取方法、装置、设备及可读存储介质 | |
CN113434542B (zh) | 数据关系识别方法、装置、电子设备及存储介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN114637866B (zh) | 数字化新媒体的信息管理方法及装置 | |
CN114168836A (zh) | 网页数据分析及可视化方法、装置、电子设备及介质 | |
CN115048599A (zh) | 企业产品的界面配置方法、装置、设备及介质 | |
CN114741077A (zh) | 基于字段粒度的页面效果预览方法、装置、设备及介质 | |
CN114490666A (zh) | 基于数据需求的图表生成方法、装置、设备及存储介质 | |
CN114004209A (zh) | Pdf格式数据导出方法、装置、电子设备及可读存储介质 | |
CN113806492A (zh) | 基于语义识别的记录生成方法、装置、设备及存储介质 | |
CN113656586A (zh) | 情感分类方法、装置、电子设备及可读存储介质 | |
CN113065086A (zh) | 网页正文提取方法、装置、电子设备及存储介质 | |
CN113687827A (zh) | 基于微件的数据列表生成方法、装置、设备及存储介质 | |
CN113139129A (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
CN113139145A (zh) | 页面生成方法、装置、电子设备及可读存储介质 | |
CN113486266B (zh) | 页面标签添加方法、装置、设备及存储介质 | |
CN114969385B (zh) | 基于文档属性赋值实体权重的知识图谱优化方法及装置 | |
CN112528183B (zh) | 基于大数据的网页组件布局方法、装置、电子设备及介质 | |
CN114637822A (zh) | 法律信息查询方法、装置、设备及存储介质 | |
Morshedi et al. | Web scraping: Applications in infrastructure planning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220311 |