NLP助力非结构化文本抽取：实体关系提取实战

一、关键数据分析：微博热帖背后的隐含网络

微博每天产生数百万条内容，这些内容天然包含了大量非结构化文本信息，包括人物、品牌、事件、观点等实体以及它们之间的复杂关系。为了实现"自动识别+归类分析"，我们采用如下实体-关系抽取流程：

🧩 目标数据结构化示例：

发帖用户	内容摘要	评论情感	实体1	关系	实体2
用户A	小米汽车上市首日大涨	正面	小米	发布	汽车
用户B	华为和荣耀又要打擂台？	中性	华为	对比	荣耀

我们从微博热搜中抽取：

原始发帖文本
评论区信息
实体关系三元组（如"华为-竞争-荣耀"）
情感倾向（正面/负面/中性）

二、核心技术路线图谱

🧠 本项目技术模块如下图所示：

plain 复制代码

┌────────────┐
│ 爬虫代理模块 │────┐
└────────────┘    │
                  ▼
           ┌────────────┐
           │ 请求配置模块 │（含cookie/user-agent）
           └────────────┘
                  │
                  ▼
           ┌────────────┐
           │ 微博页面采集 │（热搜 + 评论）
           └────────────┘
                  │
                  ▼
         ┌─────────────────┐
         │ 中文NLP抽取模块   │（实体识别+关系抽取+情感分析）
         └─────────────────┘
                  │
                  ▼
         ┌─────────────────┐
         │ 数据结构化&可视化 │（保存至CSV/图谱生成）
         └─────────────────┘

三、完整代码演变：从采集到结构化抽取

以下为主要实现代码，已集成爬虫代理设置、实体识别与关系抽取，适合初学者调试和项目集成。

python 复制代码

import requests
from bs4 import BeautifulSoup
from fake_useragent import UserAgent
import time
import random
import jieba
import re
import csv
import spacy
from lxml import etree

# ========== 1. 代理配置（亿牛云代理 www.16yun.cn）==========
proxy_host = "proxy.16yun.cn" # 代理域名
proxy_port = "3100"        # 代理端口 
proxy_user = "16YUN"          #用户名
proxy_pass = "16IP"           #密码

proxies = {
    "http": f"http://{proxy_user}:{proxy_pass}@{proxy_host}:{proxy_port}",
    "https": f"http://{proxy_user}:{proxy_pass}@{proxy_host}:{proxy_port}"
}

# ========== 2. 请求头设置 ==========
ua = UserAgent()
headers = {
    "User-Agent": ua.random,
    "Cookie": "YOUR_WEIBO_COOKIE"  # 登录后的Cookie，提高访问成功率
}

# ========== 3. 微博热搜采集 ==========
def get_hot_posts():
    url = "https://s.weibo.com/top/summary?cate=realtimehot"
    response = requests.get(url, headers=headers, proxies=proxies)
    response.encoding = 'utf-8'
    soup = BeautifulSoup(response.text, "html.parser")
    links = soup.select("td.td-02 a")
    titles_links = [(a.text.strip(), "https://s.weibo.com" + a.get("href")) for a in links if a.get("href")]
    return titles_links[:5]  # 取前5条热点

# ========== 4. 实体+关系抽取（简单版）==========
def extract_entities(text):
    # 简单规则模拟实体对和关系，后续可引入深度学习模型或Spacy中文模型
    patterns = [
        (r"(小米|华为|荣耀|苹果|比亚迪).{1,5}(发布|对比|上市|合作|竞争).{1,5}(手机|汽车|品牌|产品)", "三元组")
    ]
    results = []
    for pattern, label in patterns:
        match = re.search(pattern, text)
        if match:
            results.append((match.group(1), match.group(2), match.group(3)))
    return results

# ========== 5. 评论情感分析模拟 ==========
def analyze_sentiment(text):
    if any(word in text for word in ["好", "赞", "厉害", "支持"]):
        return "正面"
    elif any(word in text for word in ["差", "垃圾", "不好"]):
        return "负面"
    return "中性"

# ========== 6. 主流程 ==========
def run():
    hot_posts = get_hot_posts()
    results = []
    for title, link in hot_posts:
        time.sleep(random.uniform(1, 3))
        print(f"正在抓取：{title}")
        resp = requests.get(link, headers=headers, proxies=proxies)
        if resp.status_code != 200:
            print("请求失败")
            continue
        soup = BeautifulSoup(resp.text, "html.parser")
        texts = soup.get_text()
        entity_relations = extract_entities(texts)
        sentiment = analyze_sentiment(texts)
        for e1, rel, e2 in entity_relations:
            results.append([title, e1, rel, e2, sentiment])

    # ========== 7. 写入CSV文件 ==========
    with open("weibo_entity_relations.csv", "w", newline="", encoding="utf-8") as f:
        writer = csv.writer(f)
        writer.writerow(["微博标题", "实体1", "关系", "实体2", "情感"])
        writer.writerows(results)
    print("数据采集完成 🎉")

if __name__ == "__main__":
    run()

四、技术演变模式可视化

👣 版本1.0：正则规则抽取

优点：简单快速，无需训练
缺点：容易漏识/误识，缺乏上下文理解能力

👣 版本2.0（可扩展）：BERT-BiLSTM-CRF或Prompt式实体关系识别

支持微调中文预训练模型
可用开源库如LTP, HanLP, Spacy-zh, BERT4NER等

五、总结

💡 本文用一套「微博热帖 → 文本抽取 → 实体关系 → 情感标注」的完整流程，验证了中文非结构化文本的NLP实战价值。