如何从新闻中识别骗子们的小套路

电信诈骗猖獗盛行，成为国家的重点打击对象，但是我们身边亲朋好友被骗的悲剧还在屡屡发生。小作者思考也许我们可以从新闻中提取电信诈骗的特征信息，为家里的长辈亲人提个醒，做到防患于为然。

小作者以某新闻网站为平台，对电信诈骗的相关新闻进行了提取和分析，试图从获取的信息中分析出诈骗分子的小“套路”。（PS：一次写文章，希望能给大家提供一个从新闻构建模型的思路，不足之处请各位大大们指正）

一、开始采集了

获取信息当然要需要爬虫了，这是我使用的库：

小作者首先对某大型网站进行了浏览，在搜索栏中搜索了关于电信诈骗类的新闻报道，但是翻页过程中它的url好像并没有发生什么变化，firefox的也没有看到post和get。

但是在看了他页码的link后，还是有点小激动的，因为它的url包含了totalPage=63&pageNum=2这两个内容，那就自己写url吧。

Beautifulsoup是一个强大的库，在这里我从属性a获取源代码中的link。至于request库是因为小作者发现使用urlopen打开网站的源代码和requests+header的内容不同，requests返回的网站源代码比较全一些。

接下来和上面的方法相似，再采集每个网站中所有link,把它写道一个list当中，然后我们就要分析我们需求网站url的特点，使用正则表达式获取link，下面贴代码：

获取到link后我们就可以浏览新闻了，我们也该获取新闻的信息了。

新闻种类千千万，有图的，没有图的，有视频的，没视频的，文本里面图片链接，段落属性一大堆，看的我是着实sad。先不管它全都抓取下来再说。

小作者在观察了网站后将其分为了四类，有的是文本是夹在两个图片之间，有的是纯文本等等。根据这些内容小作者使用Beautifulsoup来爬取下来所有内容（Beautifulsoup确实强大，强行安利一波），当然爬取的文本也是看不了的，还好我们只需要中文内容和数字就可以了。

那就正则表达式吧，因为使用的是gbk编码，所以pattern=[0-9\x80-\xff]+，如果是utf-8的话就是pattern=[0-9\u4e00-\u9fa5]+，下面贴代码：（PS：大家在用的时候一定要注意编码类型，这个很烦人。）

由于某些需要我还获取了文本的title,author,hash等。大家可以根据自己的需要来爬取相应的内容。

二、下来进行关键词提取

为什么python是一款非常好用的脚本语言呢？因为它集成和很多的库，这里又可以给大家安利一下jieba的中文分词词库，点击阅读原文获取它的地址。

pip install jieba pip install jieba.analyse 这里小作者使用的是jieba.analyse.extract_tags(a,topK=10)函数，a是文本内容的str变量，topK出现频率较高的10个词并将它们都放进了可以keyword的list里面，贴源码：

要不说python好用

三、关键词处理

我们获取了每篇文章的top10的关键词，小作者目前正在看《python自然语言处理》这本书。

这里面讲解了文本特征，小作者就想再逼真的诈骗情形和真实的情形总会有所出入，比如某些词语的出现频率，位置等会和普通文本的有所差异，所以小作者试着对关键词出现的频率进行处理。

我们之前获取的keyword是一个列表，里面有很多重复的词，所以我们要先把list转为set格式

例如:

keyword1 = set(keyword)result = {}for key in keyword1:count = keyword.count(key)result[key] = count

如果使用的是python2.7的话可以

from collections import Counter，然后：

小作者目前也只写到这里了，大家还可以根据需要自己从文本中获取关键词的位置，类型，之间的逻辑关系构建出一个诈骗类型的文本特征库，当然这也都是后话了。

小作者目前也在朝这个方向努力，希望小作者能为大家提供一个处理电信诈骗案件的思路，并能和大家交流学习。（PS：一定要注意编码！！！）

最后贴上我自己的结果：

由于年还没过完，小作者在这里也祝大家新年快乐，多看Freebuf涨知识。