1.工具选取及主题词选取
本文爬虫工具的开发使用了C语言，其集成开发环境是Visual Studio 2019。这种基于爬虫工具获取的数据，简称“爬虫数据”。
围绕中国“十三五”会展司法案例，选取关键词：①会展；②展览；③节庆；④演出；⑤赛事；⑥会展+知识产权。需要说明的是，会展现在一般认为包括会议、展览、节庆、演出和赛事活动五大板块。但是在以“会议”为关键词进行法律文书全文搜索时，发现有143万件案例，以“判决结果”为条目进行搜索，结果有接近1万件案例。无论是全文搜索还是判决结果查找，对结果进行初筛时发现基本不属于会展类型案件。可见“会议”这个关键词在会展学界和业界是清楚的，但是在裁判文书中是难以区分的。因此，本文放弃以“会议”为关键词筛选数据，增加“会展”关键词进行全部筛选。
因此，本次关键词的筛选分为三个层次：第一层是“会展”，针对会展司法的整体状况。第二层是“会展”中的展览、节庆、演出和赛事。之所以选取了“会展”后仍然对会展外延进行挖掘，是因为赛事、节庆等会展活动很难在“会展”中体现出来。第三层是“会展+知识产权”，主要是针对会展活动中的知识产权司法状况进行观察。上述三个层次尽管存在重叠内容，但是基于数据观察的特殊要求，并不矛盾。
在上述六类关键词的基础上，再按照法院层级（四级）、地域（31个省份）、裁判年份（2016—2020年）、案由和审判程序等判例属性再对上述六类关键词进行分类整理。
2.数据的抓取过程及应用程序
利用爬虫从中国裁判文书网（https：//wenshu.court.gov.cn/）中下载2016—2020年法律文书。
（1）以六类关键词和时间参数在中国裁判文书网上搜索后，找到Network，分析网页后台操作；
（2）请求方法POST；
（3）设置搜索参数；
（4）对加密生成的参数追根溯源，找到生成方法后，调用JS生成或直接用PyCryptodome的DES解密；
（5）将数据保存到Excel中。
3.数据的清洗过程和初步统计(www.xing528.com)
按照法院层级、地域、裁判年份、案由和审判程序五个维度分别进行数量统计。根据以下步骤清洗数据。
（1）统一同一“地域”的不同说法，合并同类项；
（2）利用数据分列的方法提取裁决日期中的“裁判年份”信息；
（3）利用分列、替换等方法剔除“案由”数据中的无效符号，随后将一个案件中的多个案由拆开统计；
（4）结合案件标题等信息填补“审判程序”部分的空白值；
（5）完成数据清洗后，利用数据透视表选择相应字段，生成各个维度的数量报表。
4.数据清洗过程中的问题
从目前中国裁判文书网提供的高级检索途径（见图1）来看，可以提供全文检索，其中包括全文、首部等9项选择。除了“全文检索”的9项选择外，另外提供了7项选择性搜索以及9项输入性复合型选择。“全文检索”几乎可以将所有需要的字段一网打尽，但是清洗难度特别大。例如有的当事人名字为“杨会展”“李会展”等，有的案件发生在某“会展路”，这样的意外情形很多，所以数据清洗难度很大。经过初步清洗后，整理出以“会展”为关键词的各省份结案数量表（见表1）。从表中数据可以看出，贵州省以5115个结案数量排名第一，广东省以4750个结案数量排名第二，山东省以4205个结案数量排名第三。广东省和山东省排名靠前可以理解，但是排名如此靠前值得商榷，贵州省排名第一是否真实？
为保证数据准确性，需再一次对其进行清洗。经过进一步个案抽查，并且结合其他搜索，得知贵州省贵阳市，广东省广州市、中山市和珠海市等，山东省济南市，辽宁省大连市等城市都有“会展”道路。这样的例外情形还有多少？结合中国裁判文书网提供的搜索路径看，这些数据清洗难度仍然非常大。
图1 中国裁判文书网高级检索途径
表1 以“会展”为关键词的各省份结案数量表
续表
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
