發微博python

① 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。