前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >如何从新闻中识别骗子们的小套路

如何从新闻中识别骗子们的小套路

作者头像
FB客服
发布2018-02-23 15:18:22
6600
发布2018-02-23 15:18:22
举报
文章被收录于专栏:FreeBuf

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。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2017-02-15,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 FreeBuf 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、开始采集了
  • 二、下来进行关键词提取
  • 三、关键词处理
相关产品与服务
NLP 服务
NLP 服务(Natural Language Process,NLP)深度整合了腾讯内部的 NLP 技术,提供多项智能文本处理和文本生成能力,包括词法分析、相似词召回、词相似度、句子相似度、文本润色、句子纠错、文本补全、句子生成等。满足各行业的文本智能需求。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档