爬了 3534 个 Telegram 群/频道/机器人，却发现只有 6%的优质账号（开源所有代码和数据）
BeiChuanAlex · 2023-06-26 12:09:24 +08:00 · 18230 次点击这是一个创建于 526 天前的主题，其中的信息可能已经有所发展或是发生改变。
背景：使用 Telegram 的时候，为了能找到一些有意思的、好玩的、纯粹资源分享的群和频道，总是很困难，尽管有些网站推荐了不少的群 /频道 /机器人，但是往往其中很多都已经过期了，甚至很多都注销了，也有一些变成了涩涩群、机场群，一个一个筛选起来很麻烦，所以决定用 Python 爬虫来解决这一问题。
过程：用时一天时间，收集整理了很多网站数据，建立 URL 集合，使用 Scrapy 总共从十几个地址，爬了总计 3534 条数据。所有的数据及 SQL 已经放到文件 telegram_info.sql 中，爬虫代码放在了 telegram-groups-spider 文件夹里面。有需要的同学可以自行取用。
结果：从 3534 个中，按照订阅数 /会员数排序，并排除了其他语言的账号只选择做中文内容的账号，也排除了包含：机场、Sex 、Gamble 、Politics 等内容，手工精选了 200 多个放在了下面的表格里，感兴趣的同学可以根据自己喜好选择加入。
感悟：从数据来看，其中有很多是早已注销的群 /频道 /机器人，也有不是是灰黑产业的账号或者挂羊头卖狗肉的账号。精选账号大概只占到总数的 6% ，这个比例还是挺惊人的，中文的优质内容在 Telegram 还是相对匮乏，Telegram 在中文内容上更像是一个灰黑产的温床。虽然精选了 200 多个账号，但其中也有不少是羊毛，搬运，资源，影视，破解等内容，这些内容也是处于擦边球地带，真正优质的内容还会更少，当然这也限制与样本本身的质量，也许有不少好的账号还未被发现，也欢迎知道优质账号的同学能在 issue 留下它的链接。
GitHub 地址： https://github.com/alexbei/telegram-groups
第 1 条附言 · 2023-06-26 13:58:08 +08:00
为了方便大家查看，买了一个域名，添加了Github Page，现在可以直接网页看了，十分清爽：
=====> https://www.tgqun.xyz/
第 2 条附言 · 2023-06-30 18:55:09 +08:00
这里是记录第二次结果的帖子（续作）：
 |
1
dilu 2023-06-26 12:41:02 +08:00  2
上 tg 不就是为了看 yellow Politics 以及小飞机嘛？ doge
|
 |
2
pengtdyd 2023-06-26 12:48:07 +08:00
Telegram 确实有不少黑灰内容
|
 |
3
Cheons 2023-06-26 12:48:51 +08:00 via Android 1
我倒要看看除了 Sex 、Politics ，TG 上还有什么优质中文内容
|
 |
4
klo424 2023-06-26 13:09:31 +08:00
mark ，好东西，已 starred ，希望能持续更新！
|
 |
5
missdeer 2023-06-26 13:20:09 +08:00
看了一眼精选的 6%，确实也不少注水的
|
 |
6
sunamask 2023-06-26 13:21:44 +08:00
好项目，感谢！我找了一万年的歪屁股新闻终于有解决方案了~
|
 |
7
BeiChuanAlex OP @Cheons 优质的中文内容不光是 Telegram 上很少，其他平台上也不多，只是 Telegram 上更少罢了，这个是生态决定的。
|
|
8
BeiChuanAlex OP @missdeer 确实也不少注水的，这也和样本数量及样本来源有关，目前能找到的 URL 集有限。
|
 |
9
gablic 2023-06-26 13:26:39 +08:00
可以把筛掉的 3334 条数据也发一下吗，学习学习
|
|
10
BeiChuanAlex OP @gablic 所有的数据都在 GitHub 项目的这个文件里面：telegram_info.sql
|
 |
11
kingwrcy 2023-06-26 13:37:09 +08:00
star 了,能否直接把内容爬出来,这样没有 tg 环境的人也能看.
|
 |
12
ChainLock 2023-06-26 13:38:07 +08:00
start
|
|
13
BeiChuanAlex OP @kingwrcy 大部分的群 /频道 /机器人里面的内容都是日常闲聊的内容，对话内容爬出来也没有什么价值。
|
 |
14
Retas 2023-06-26 13:46:53 +08:00
电报上科技新闻类的频道都挺不错的，时效性比较高，没有软广浪费时间
|
|
15
kingwrcy 2023-06-26 13:53:47 +08:00
@BeiChuanAlex #13 对话的是没价值,我说的是分享软件 /硬件 /咨询类的
|
 |
16
tanmrs48 2023-06-26 14:02:07 +08:00
看了下上边优质的很多都加过，最优质的比如羊毛白嫖都在小众的交流群里，我有一个想法是写一个程序可以每天监控群里的聊天记录，然后关键词定位，
|
|
17
BeiChuanAlex OP @kingwrcy 可以爬，有现成的接口。
|
|
18
BeiChuanAlex OP @tanmrs48 tg 有客户端接口，可以用这个来做
|
 |
19
opwwecccc 2023-06-26 14:07:40 +08:00
高，实在是高
|
 |
20
garipan 2023-06-26 14:08:59 +08:00
确实不错！谢谢 po 主
|
 |
21
cooper2020 2023-06-26 15:17:48 +08:00
好玩的尝试。顺便提一句，__pycache__目录不必同步 git
|
|
22
BeiChuanAlex OP @cooper2020 谢谢提醒
|
 |
23
ysc666 2023-06-26 16:17:36 +08:00
卧槽 真好！！！
|
 |
24
elechi 2023-06-26 16:26:33 +08:00
谢谢 OP ，回家慢慢看
|
 |
25
encro 2023-06-26 16:30:21 +08:00
自从注册了 tg 账号，每天收到小姐姐相关短信。
|
 |
26
simon633 2023-06-26 16:45:15 +08:00
我是 APPDO 数字生活指南的频道主，非常感谢楼主的推荐~
|
 |
27
modao3 2023-06-26 16:45:34 +08:00 1
ios 鸡神-专注分享破解
这个频道主被盗号的运营着了,建议删掉.发的文件可能不安全 |
|
28
BeiChuanAlex OP @modao3 好的，感谢反馈
|
 |
29
delete26 2023-06-26 16:52:19 +08:00
现在公开的群和频道大多都是黑产和色情了,早些年人少的时候都没有这些垃圾广告群,自从公开的群被大量机器人入侵用来自动发广告之后,很多群都变成私人群了
|
 |
30
ivstranger 2023-06-26 16:53:44 +08:00
仔细再筛选，估计 6%都不到（很荣幸上榜）
|
|
31
modao3 2023-06-26 16:57:30 +08:00
再推一下我另外一个
@recommend3 |
|
32
BeiChuanAlex OP @delete26 用户越多，管理的成本会直线上升，运营一个好的账号本身也是需要不小的成本，私人群确实能更方便的管理。
|
 |
33
zhuxc 2023-06-26 17:01:59 +08:00
start
|
 |
34
BRmeng 2023-06-26 17:05:49 +08:00
能不能偷偷扒点糟粕，我想批判一下😂
|
|
35
BeiChuanAlex OP @BRmeng 在项目的 telegram_info.sql 文件中可以自己看
|
 |
36
xpl8435 2023-06-26 17:38:04 +08:00
分享一个 TCL 家电内购群组，有需要可加： https://t.me/tcl_jiadian
|
 |
37
Tyrant1984 2023-06-26 18:01:04 +08:00
真是好东西啊，感谢楼主~~
现在 TG 天天只能看看梯子为什么又崩了，感觉很浪费，现在可以好好用一下了 |
 |
38
hoor 2023-06-26 18:10:13 +08:00
TG 里面有讨论 xray ，sinbox 协议等很多知识，还有一些面板 jd 等。。。还有机器人可以玩，
signal 却没有多少人用 |
|
39
BeiChuanAlex OP @hoor 科学上网相关内容的账号没有放到表格里，相关的账号里太多买卖机场的内容了，很难筛选。
|
 |
40
zong400 2023-06-26 18:25:00 +08:00
偷偷看看有什么优质的
|
 |
41
opengps 2023-06-26 18:35:12 +08:00
怪不得我至今觉得 tg 用不起来，原来比例这么低，我还没进去
|
 |
42
guazila 2023-06-26 18:40:23 +08:00
中国数字时代竟然不算涉政，不错。
|
|
43
BeiChuanAlex OP @guazila 已删除
|
 |
44
Jirajine 2023-06-26 19:18:43 +08:00 2
如何定义优质？随便扫了一眼，色情、piracy 很多，新闻频道要么涉政要么机场网络相关，币圈相关和菠菜也分不开。你这样筛选意义不大，既会包含“低质量”内容，也会漏掉“高质量”内容。
什么内容算“高质量”取决于用户的需求，建议用更中立的方式，不要根据内容主题筛选，只把充斥 spam 刷屏、广告、废弃无管理等信噪比低的过滤掉就行。 |
 |
45
Arvin567 2023-06-26 20:18:53 +08:00
今日最佳帖子
|
 |
46
lewi 2023-06-26 20:29:33 +08:00
点赞！
|
|
47
BeiChuanAlex OP @Arvin567 谢谢
|
 |
48
lizhesystem 2023-06-26 22:45:41 +08:00
好好好！
|
 |
49
jzyzcz 2023-06-26 23:01:17 +08:00
telegram 上有些搜群的机器人，输入关键字，就会返回一些相关的群。
很好奇他们是怎么实现的，是有可以爬所有公开群 /频道的官方接口吗？ |
|
50
BeiChuanAlex OP 1
@jzyzcz 应该是爬的，然后做成接口
|
 |
51
hanguofu 2023-06-27 06:02:38 +08:00
"买了一个域名" ： 好评~~~ 楼主是个热心人！
|
 |
52
HungryOrangeCat 2023-06-27 08:48:54 +08:00 2
@jzyzcz 这个我研究过一段时间，他们是从一个群的聊天信息里提取 TG 链接然后循环迭代这个做一个广度优先搜索类似的过程，缺点就是很消耗 TG 账号，因为一个 TG 账号每天只能访问 200 左右群组 /频道
|
 |
53
invdan 2023-06-27 10:26:30 +08:00
感谢收录了我的两个群组😄
|
 |
54
simazilinVV 2023-06-27 16:13:21 +08:00
你以为我上 tg 想干嘛
|
 |
55
RageBubble 2023-06-30 17:16:26 +08:00
感谢，本来想用爬虫自己去爬 tgstat ，telegram-store 这样的数据库，没想到你已经做好了。😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘😘
|
|
56
RageBubble 2023-06-30 17:31:42 +08:00
有一点没搞懂，为什么你说爬取了 5000 多个样本，但下载了 github 里面的 csv 后 excel 里打开只有 2209 行的数据？🧐
|
|
57
RageBubble 2023-06-30 17:39:32 +08:00
@RageBubble #55 希望大佬能分享下全部的 5000 多条数据
|
|
58
RageBubble 2023-06-30 17:48:47 +08:00
或者只给 3036 账号也可以，再次膜拜感谢😭
|
|
59
BeiChuanAlex OP @RageBubble 只有 2000 多行数据是因为我用不能展示的关键字给过滤掉了，有太多的不适合展示的账号，就直接删掉了，最终只剩下这么多了，这还不是最终结果，最后一个一个点进去看，然后筛选，很费劲的。
|
 |
60
oddboy 2023-07-01 09:11:51 +08:00 via Android
这属于在老鼠屎里舀清汤了，辛苦了大佬
|
|
61
RageBubble 2023-07-04 12:01:46 +08:00
@BeiChuanAlex #59 大佬我还有个问题 我研究了一下 scrapy 代码 为啥你不直接数据上传到 supabase 的数据表里，而是单独使用本地的 PostgreSQL 数据库呢
|
|
62
BeiChuanAlex OP @RageBubble 我也上传到了 supabase ，本地也有。但是这些数据全是原始数据，里面有大量的不适宜数据，不能直接公开。
|
|
63
RageBubble 2023-07-04 14:10:56 +08:00
@BeiChuanAlex #62 噢噢 没事 到时候我自己再爬一次就是了
|
 |
64
giter 2023-07-29 17:42:13 +08:00
请问楼主，Github 的 md 文件爬不出来结果是怎么回事？其它都能爬，就是 Github 不能爬。
``` INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) INFO: Closing spider (finished) ``` |
|
65
BeiChuanAlex OP @giter 给的信息太少了，很难分析原因。爬虫爬不出数据，要么是代码写的有问题，要么被反爬了。
|
 |
66
cqcn1991 2023-11-28 10:57:51 +08:00
@BeiChuanAlex 想请问一下 LZ, 这个爬虫是能爬每个 channel 的消息嘛？还是能干什么?
|
|
67
BeiChuanAlex OP 1
@cqcn1991 不能爬取消息，只能获取群的介绍。
|
Select Language