社交媒体近几年快速发展,微博逐渐发展成为了人们日常生活中不可或缺的一种社交媒体。微博舆情对社会具有极强的影响力,它实时地反映了大众对各种事件的观点和态度,是政府掌握事件舆情和发展动态、企业了解民意的重要渠道。因此及时准确地分析微博舆情对正确地预测和控制社会事态的发展、对促进国家的经济建设和维护社会的安定团结具有极其重要的意义。本文将针对微博舆情分析技术展开深入研究,包含微博数据获取、微博文本的预处理、文本聚类以及舆情结果分析这四个方面。本文的研究工作主要包括以下三个部分:第一部分采用密度峰值算法(CFSFDP)融合K-means算法方式完成微博文本聚类。密度峰值快速准确地发现聚类中心弥补K-means算法选取聚类中心时具有随机性的不足。但密度峰值算法存在截断距离需手动设定、聚类中心选取较主观的缺点。本文提出一种截断距离选取策略,找出最优截断距离,然后对布局密度以及相对最小距离实行归一化处理后,引入斜率变化计算方法实现自动化确定聚类中心,最后利用K-means算法简单易操作的特点迭代聚类。将融合后算法和其他算法进行实验操作后对比分析,验证本文算法在文本聚类方面的精确性和稳定性,更好地挖掘微博热点话题。第二部分对微博API采集流程、用户认证进行分析、网页抓包和微博站点进行分析。在网络爬虫部分利用自开发的爬虫脚本模拟浏览器请求、存储并解析数据实现微博数据爬取。通过对微博API和网络爬虫两种数据采集方式进行实验比较,分析各自的优缺点,结合本文实验条件和需求抉择数据采集方式。第三部分将上述两部分的技术和理论研究投入到微博舆情分析实际应用中。舆情分析最重要的是数据,对于数据的处理,利用python语言完成数据清洗、中文分词、去停用词、特征权重计算与文本向量表示。舆情分析方面,采用Boson NLP情感词典进行情感倾向分析,以AC自动机算法完成微博舆情敏感信息的检测。