Skip to content
/ Douban-Crawler Public

抓取豆瓣小组相关信息（小组、用户、帖子）。

24 stars 8 forks Branches Tags Activity
Star
Notifications You must be signed in to change notification settings

ysh329/Douban-Crawler

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

25 Commits
.idea
.idea
 
 
spider
spider
 
 
Douban-Crawler.py
Douban-Crawler.py
 
 
README.md
README.md
 
 

Repository files navigation

Douban-Crawler

指定小组查询关键词，完全傻瓜式获取指定个数豆瓣小组详细信息，以及小组下指定个数帖子信息。

CRAWLER库表结构

三个数据表：小组表，用户表，帖子表。

GROUP表

注备：豆瓣小组、贴吧

小组基本信息
字段名 类型 含义 举例
GROUP_SOURCE VARCHAR(10) 数据来源 "douban"或"tieba"
GROUP_QUERY VARCHAR(20) 查询query(类似GROUP_TAG) "北京,IT"
GROUP_NAME VARCHAR(30) 组名、吧名 "北京读书交友会"
GROUP_ID VARCHAR(20) 全站唯一性ID "576850"
GROUP_MEMBER_NUM INT 小组人数 300
GROUP_URL TEXT 地址 "https://www.douban.com/group/10274/"
GROUP_INTRO TEXT 介绍 "小组介绍内容"
GROUP_CREATE_DATE VARCHAR(10) 小组创建时间 2010-10-10
GROUP_TAG VARCHAR(20) 小组标签 "北京,读书,交友"
活跃度基本信息(每天字段更新)
字段名 类型 含义 举例
CURRENT_DAY_POST_NUM INT 小组当天总帖数 100
CURRENT_DAY_COMMENT_NUM INT 当天帖子累计总回复数 5000
CURRENT_DAY_AVE_COMMENT_NUM INT 当天帖子累计总回复数 50
管理员基本信息
字段名 类型 含义 举例
ADMIN_NAME VARCHAR(50) 管理员姓名 "章小希"
ADMIN_ID VARCHAR(20) 全站唯一性ID(豆瓣唯一ID、贴吧唯一ID) "148647315"
ADMIN_URL TEXT 管理员账号页面 "https://www.douban.com/people/148647315/"
表更新时间(定期更新)
字段名 类型 含义 举例
TABLE_UPDATE_DATE VARCHAR(16) 最后一次表更新时间 "2015-11-19 21:04:48"

POST表

来源和所在小组基本信息
字段名 类型 含义 举例
GROUP_SOURCE VARCHAR(10) 小组来源 "douban"或"tieba"
GROUP_URL TEXT 小组地址链接 "https://www.douban.com/group/551307/"
GROUP_ID VARCHAR(20) 所在来源的全(站)局唯一性ID "hangzhougonglue"
GROUP_NAME VARCHAR(30) 小组名称 "杭州旅游"
帖子基本信息
字段名 类型 含义 举例
POST_URL TEXT 帖子链接 "https://www.douban.com/group/topic/88272843/"
POST_TITLE TEXT 帖子标题 "这是标题"
POST_ID VARCHAR(10) 帖子唯一性ID "850407300"
POST_CREATE_DATE VARCHAR(19) 帖子创建时间 "2014-08-10 16:58:21"
POST_LAST_COMMENT_DATE VARCHAR(16) 帖子最后回复时间 "2015-08-13 15:22"
POST_COMMENT_NUM INT 帖子回复个数 10
POST_LIKE_NUM INT 喜欢人数 10
帖子创建者基本信息
字段名 类型 含义 举例
POST_AUTHOR_NAME VARCHAR(50) 帖子创建者名称 "章小希"
POST_AUTHOR_ID VARCHAR(10) 帖子创建者全站唯一性ID "148647315"
POST_AUTHOR_SIGNATURE TEXT 签名 "目标，前进；一切只为生活"
POST_AUTHOR_URL TEXT 帖子创建者个人页面地址 "https://www.douban.com/people/148647315/"
内容和评论
字段名 类型 含义 举例
POST_CONTENT TEXT 帖子内容 "这是帖子内容"
POST_IMG_NUM INT 图片张数 3
POST_IMG_URL_LIST TEXT 所有图片地址列表的字符串(用"\t"拼接) 'www.1.com/1.png::www.1.com/2.jpg'
POST_AUTHOR_COMMENT TEXT 帖子创建者的所有评论 "这是评论1+2+3拼接起来的结果"
POST_AUTHOR_COMMENT_NUM INT 帖子创建者的评论个数 10
感兴趣信息(需要提取/抽取)
字段名 类型 含义 举例
POST_CONTENT_QQ VARCHAR(12) 帖子内容里的QQ号 "12345"
POST_CONTENT_WECHAT VARCHAR(16) 帖子内容里的微信号 "12345"
POST_CONTENT_TEL VARCHAR(15) 帖子内容里的电话号 "13312345678"
POST_CONTENT_ADDRESS VARCHAR(30) 帖子内容里的地址 "北京市海淀区"

USER表

注备:主要用来记录小组(或贴吧)管理员和发帖人个人信息

基本信息
字段名 类型 含义 举例
USER_SOURCE VARCHAR(10) 用户来源 "douban"或"tieba"
USER_NAME TEXT 用户名、昵称 "小豆芽"
USER_ID VARCHAR(20) 全站唯一性ID "yncyd"
USER_SEX INT 性别 0(未知)或1(男)或2(女)
USER_SIGNATURE TEXT 签名 "目标，前进；一切只为生活"
USER_URL TEXT 个人页面 "https://www.douban.com/people/yncyd/"
发帖情况(定期更新)
字段名 类型 含义 举例
POST_NUM INT 发帖总数 32
POST_LAST_CREATE_DATE VARCHAR(16) 用户发帖目录页第1页最后一次发帖日期 "2015-01-01 11:11"
POST_MIDDLE_CREATE_DATE VARCHAR(16) 用户发帖目录页第1页中间一次发帖日期 "2015-01-01 11:11"
POST_FIRST_CREATE_DATE VARCHAR(16) 用户发帖目录页第1页第一次发帖日期 "2015-01-01 11:11"
活跃程度(定期更新)
字段名 类型 含义 举例
USER_LAST_LOGIN VARCHAR(16) 上次登陆时间 "2015-01-01 11:11"
USER_CREATE_DATE VARCHAR(12) 用户创建日期 "2015-01-01"
感兴趣信息(需要提取/抽取)
字段名 类型 含义 举例
USER_QQ VARCHAR(12) QQ号码 "111111111"
USER_WECHAT VARCHAR(16) 微信号 "ZhangSan0912"
USER_TEL VARCHAR(15) 手机号 "13311111111"
USER_MAIL TEXT 邮箱 "zhangsan0912@gmail.com"
USER_ADDRESS TEXT 所在位置 "北京市海淀区XXX路XXX号"或"XXX区"或"南京"
表更新时间(定期更新)
字段名 类型 含义 举例
TABLE_UPDATE_DATE VARCHAR(16) 最后一次表更新时间 "2015-11-19 21:04:48"

About

抓取豆瓣小组相关信息（小组、用户、帖子）。

Topics

crawler douban douban-crawler

Resources

Readme
Activity

Stars

24 stars

Watchers

4 watching

Forks

8 forks
Report repository

Releases

No releases published

Packages

No packages published

Languages