當前位置:首頁 » 編程語言 » 發微博python

發微博python

發布時間: 2025-03-19 07:44:19

python爬取和分析新浪微博(一):scrapy構建新浪微博榜單、博主及微博信息爬蟲

爬蟲項目介紹

本項目基於Python的Scrapy框架,採用隨機用戶代理和IP代理等反爬技巧,將收集到的微博領域數據、各領域榜單博主信息和博主的微博信息分別存入MySQL資料庫的相應表格。

查看完整代碼請訪問GitHub:

爬蟲邏輯

2.1 獲取微博領域信息

首先,爬取V影響力榜上所有微博領域名稱及其對應的各領域微博榜單鏈接。

2.2 獲取各領域榜單博主信息

進入各領域排行榜頁面(如互聯網榜),抓取4月月榜排名前100的博主信息。

分析網頁得知,博主信息通過單獨請求json文件獲取。

請求的URL地址為:v6.bang.weibo.com/aj/we...

URL中__rnd欄位的值由請求時間戳生成。

使用POST請求,並在表單中包含type、date、domainId等欄位。

編寫請求代碼如下:

2.3 獲得博主個人主頁和發表微博信息

收集每個博主的昵稱、ID、粉絲數、關注數、微博數、性別、地址等信息後,進入博主的微博主頁,抓取最近60條微博信息(包括內容、發表日期、轉發/點贊/評論數等)。

請求博主主頁URL時需攜帶固定的cookie信息。

博主微博主頁分析發現,發表的微博內容通過單獨請求json文件獲取。

json文件的URL很長,包含domain、pl_name、page_id、script_uri等欄位。

請求方式為GET。

請求json文件後,將data值轉化為Scrapy的Selector子類,使用CSS或XPath選擇器獲取所需信息。

爬蟲代理設置

為了對抗微博的反爬策略,本項目使用隨機更換User-Agent和IP地址的方法。

3.1 隨機User-Agent

編寫RandomUserAgentMiddleware中間件,使用fake-useragent生成UserAgent實例,為每次請求隨機生成一個User-Agent。

具體代碼在GitHub上。

3.2 隨機IP

從蘑菇IP代理購買付費IP,生成API鏈接,處理返回的JSON文件提取IP信息,保存至MySQL資料庫。Scrapy每次請求時從資料庫隨機獲取一個有效IP。

通過變換IP地址發送請求,基本避免了被反爬。

爬取結果

非同步保存至MySQL資料庫,數據分別存入weibotopic、topicuser、weiboinfo三個表格。

weibotopic(38個領域):

topicuser(3648個用戶,有些領域榜單上可能不足100個用戶):

weiboinfo(115740條微博)

小結

以上介紹了基於V影響力榜單爬取新浪微博信息的爬蟲項目,代碼在GitHub上公開,歡迎查看、交流。

後續文章將對收集到的數據進行統計分析和可視化展示,期待進一步的探索。

熱點內容
製作自解壓安裝 發布:2025-03-20 05:41:49 瀏覽:302
華為連接電視密碼是多少 發布:2025-03-20 05:31:11 瀏覽:492
演算法第五版 發布:2025-03-20 05:17:57 瀏覽:730
湖南台訪問 發布:2025-03-20 05:10:32 瀏覽:38
腳本和秒搶 發布:2025-03-20 05:06:29 瀏覽:591
b35鎖如何設置密碼 發布:2025-03-20 05:06:27 瀏覽:905
淘寶如何租雲伺服器 發布:2025-03-20 05:05:12 瀏覽:213
編程忌諱 發布:2025-03-20 04:58:35 瀏覽:427
國家知識產權專利資料庫 發布:2025-03-20 04:54:29 瀏覽:416
win7怎麼給文件夾設密碼 發布:2025-03-20 04:52:38 瀏覽:725