scrapy实现新浪微博爬虫

程序员文章站 2022-04-05 16:54:40

...

本篇文章主要讲述了用scrapy实现新浪微博爬虫，具有一定的参考价值，感兴趣的朋友可以了解一下，看完不妨自己去试试哦！

最近因为做毕设的原因，需要采集一批数据。本着自己动手的原则，从新浪微博上采集到近百位大家耳熟能详的明星14-18年的微博内容。看看大佬们平常都在微博上都有哪些动态吧～
1.首先项目采用scrapy编写，省时省力谁用谁知道。
采集的网站为weibo.com，是微博的网页端。稍稍麻烦了一点，但相对于移动段和wap站点来说内容稍微更全一点。
2.采集之前我们先来看下微博都给我们设置了哪些障碍。

登录
页面js渲染

由于微博对于没登录的用户默认都是302跳转到登录界面，所以采集微博钱必须得让微博认为，本次采集偷了个懒，直接是先手动登录然后保存cookie到scrapy上，请求的时候带上cookie去访问，因为采集量并不是很大，估计也就10w条左右。这里需要对刚入scrapy的小伙伴需要提醒一下，scrapy的cookie是类似与json的形式，不像平常在requests上直接粘贴就可以用，需要转换一下格式。
scrapy实现新浪微博爬虫
大概就是像这样，所以需要把登录后的cookie粘贴出来用代码转换一下，代码如下：

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

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


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

应该来说一个cookie差不多够用，我这我保存的是三个cookie，多个cookie简单的办法是把多个cookie直接放在一个数组里面，每次请求的时候用random函数随机挑一个出来，当然这只是针对采一批数据就撤的情况，大规模必须维护一个账号池。请求的时候带上ua，和cookie。如下：
scrapy实现新浪微博爬虫
微博是以oid区分每个用户的，我们以吴彦祖微博为例，在微博搜索界面搜索吴彦祖，进入主页右键查看网页源代码我们可以看到：

此处的oid即是每个用户的唯一标识。对应用户的主页地址即为https://weibo.com + oid，
有了地址，我们直接进入微博界面进行采集即可，拼凑出url地址，例如：
https://weibo.com/wuyanzu?is_all=1&stat_date=201712#feedtop
这是吴彦祖2017年12月份的微博，我们不难发现，只需改变stat_date后面的数字即为对应微博地址。对于某些微博量比较多的用户，月份的微博可能还涉及到js再加载一次，当然，我们高冷的男神吴彦祖先生肯定是不会发那么多的，我们再找一个微博量比较大的自媒体，例如：
scrapy实现新浪微博爬虫
可以看到，余下的微博是需要通过js异步加载来呈现给用户的。打开浏览器开发者模式，

对比两次js加载的页面，我们不难发现，Request_URL差别的地方仅仅是在pagebar和_rnd两个参数上，第一个代表页数，第二个是时间的加密(测试不带上也无妨),因此我们仅仅需要构建页数即可。有些微博量巨多的可能还需要翻页，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实现新浪微博爬虫
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实现新浪微博爬虫
输入导入mongodb：