首頁 > 文章 > 後端開發 > scrapy實現新浪微博爬蟲

scrapy實現新浪微博爬蟲

little bottle轉載: 2019-04-28 16:08:504612瀏覽

這篇文章主要講述了用scrapy實現新浪微博爬蟲，具有一定的參考價值，有興趣的朋友可以了解一下，看完不妨自己試試看！

最近因為做畢設的原因，需要採集一批資料。本著自己動手的原則，從新浪微博上採集到近百位大家耳熟能詳的明星14-18年的微博內容。看看大佬們平常都在微博上都有哪些動態吧～
1.首先項目採用scrapy編寫，省時省力誰用誰知道。
採集的網站為weibo.com，是微博的網頁端。稍微麻煩了一點，但相對於移動段和wap網站來說內容稍微更全一點。
2.採集之前我們先來看下微博都給我們設置了哪些障礙。

登入
頁面js渲染

由於微博對於沒登入的使用者預設都是302跳到登入介面，所以擷取微博錢必須得讓微博認為，本次採集偷了個懶，直接是先手動登入然後保存cookie到scrapy上，請求的時候帶上cookie去訪問，因為採集量並不是很大，估計也就10w條左右。這裡需要對剛入scrapy的小夥伴需要提醒一下，scrapy的cookie是類似與json的形式，不像平常在requests上直接貼上就可以用，需要轉換一下格式。
scrapy實現新浪微博爬蟲
大概就是像這樣，所以需要把登入後的cookie貼出來用程式碼轉換一下，程式碼如下：

class transCookie:
    def __init__(self, cookie):
        self.cookie = cookie

    def stringToDict(self):
        itemDict = {}
        items = self.cookie.split(&#39;;&#39;)
        for item in items:
            key = item.split(&#39;=&#39;)[0].replace(&#39; &#39;, &#39;&#39;)
            value = item.split(&#39;=&#39;)[1]
            itemDict[key] = value
        return itemDict


if __name__ == "__main__":
    cookie = "你的cookie"
    trans = transCookie(cookie)
    print(trans.stringToDict())

應該來說一個cookie差不多夠用，我這我儲存的是三個cookie，多個cookie簡單的方法是把多個cookie直接放在一個陣列裡面，每次請求的時候用random函數隨機挑一個出來，當然這只是針對採一批資料就撤的情況，大規模必須維護一個帳號池。請求的時候帶上ua，和cookie。如下：
scrapy實現新浪微博爬蟲
微博是以oid區分每個用戶的，我們以吳彥祖微博為例，在微博搜尋介面搜尋吳彥祖，進入主頁右鍵查看網頁原始碼我們可以看到：

此處的oid就是每個使用者的唯一識別。對應使用者的主頁網址即為https://weibo.com oid，
有了位址，我們直接進入微網誌介面進行擷取即可，拼湊出url位址，例如：
https://weibo. com/wuyanzu?is_all=1&stat_date=201712#feedtop
這是吳彥祖2017年12月份的微博，我們不難發現，只要改變stat_date後面的數字即為對應微博地址。對於某些微博量比較多的用戶，月份的微博可能還涉及到js再加載一次，當然，我們高冷的男神吳彥祖先生肯定是不會發那麼多的，我們再找一個微博量比較大的自媒體，例如：
scrapy實現新浪微博爬蟲
可以看到，剩下的微博是需要透過js非同步載入來呈現給使用者的。開啟瀏覽器開發者模式，

對比兩次js載入的頁面，我們不難發現，Request_URL差別的地方僅僅是在pagebar和_rnd兩個參數上，第一個代表頁數，第二個是時間的加密(測試不帶上也無妨),因此我們僅僅需要構建頁數即可。有些微博量巨多的可能還需要翻頁，道理相同。

class SpiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    nickname = scrapy.Field()
    follow = scrapy.Field()
    fan = scrapy.Field()
    weibo_count = scrapy.Field()
    authentication = scrapy.Field()
    address = scrapy.Field()
    graduated = scrapy.Field()
    date = scrapy.Field()
    content = scrapy.Field()
    oid = scrapy.Field()

设置需要爬取的字段nickname昵称，follow关注，fan粉丝，weibo_count微博数量，authentication认证信息，address地址，graduated毕业院校，有些微博不显示的默认设置为空，以及oid和博文内容及发布时间。
这里说一下内容的解析，还是吴彦祖微博，如果我们还是像之前一样直接用scrapy的解析规则去用xpath或者css选择器解析会发现明明结构找的正确却匹配不出数据，这就是微博坑的地方，点开源代码。我们发现：
scrapy實現新浪微博爬蟲
微博的主题内容全是用script包裹起来的！！！这个问题当初也是困扰了博主很久，反复换着法子用css和xpath解析始终不出数据。
解决办法：正则匹配(无奈但有效)
至此，就可以愉快的进行采集了，附上运行截图：
scrapy實現新浪微博爬蟲
输入导入mongodb：

scrapy實現新浪微博爬蟲

相關文章