Python爬虫实现新闻分类：从网页抓取到朴素贝叶斯分类

该资源是一份关于数据仓库与数据挖掘实验报告，主要涉及文本分类的任务。实验者使用Python编程语言，通过爬虫技术抓取了新浪网站上的10类新闻内容，进行了预处理、分词、特征选择等一系列操作，最终使用了朴素贝叶斯和SVM等分类算法对数据进行训练和性能评估。 实验详细步骤如下： 1. **网页爬取**：实验者使用`urllib`库抓取网页内容，并借助`BeautifulSoup`解析HTML源码，提取出新闻资讯的正文内容。 2. **数据采集**：在2016年11月8日至11月11日期间，实验者掌握了Python基础语法，并学会了使用爬虫技术抓取了10个类别总计约2万篇新闻文章，保存在本地。 3. **文本预处理**：从11月12日到11月13日，实验者对抓取的文本进行了分词处理，选择了`jieba`分词库，并过滤掉停用词和无关词，仅保留名词作为有效词汇。 4. **统计分析**：11月14日，实验者统计了每个词汇在文章中出现的频率，以及各类别中的词汇频率和出现文章数量，为后续的特征选择做准备。 5. **特征选择**：11月15日，实验者运用卡方检验（Chi-squared test）选择每类新闻的关键词，选取了出现频率高且具有区分性的词语。 6. **库的学习与应用**：11月16日至11月20日，实验者熟悉了`numpy`、`scipy`和`sklearn`等科学计算库，使用`sklearn.feature_extraction`计算TF-IDF值并进行特征向量的构建和降维。 7. **分类算法**：11月19日至21日，实验者编写了朴素贝叶斯算法的实现，并学习了`sklearn`库中的分类器调用方式。 8. **模型训练与评估**：11月21日后，实验者使用训练集对算法进行训练，并在测试集上评估分类效果，通过准确率、召回率等指标比较不同分类器的性能，并可能使用ROC曲线进行可视化对比。 这个实验是数据挖掘和机器学习实践的经典案例，涉及到网页爬取、文本处理、特征工程和分类模型的构建等多个关键环节，对于理解和掌握文本分类技术有着重要的参考价值。