/weiboSpider

新浪微博爬虫,用python爬取新浪微博数据

Primary LanguagePython

功能

爬取新浪微博信息:爬取微博信息,并写入文件,文件结果如图所示:

输入

用户id,例如新浪微博昵称为“Dear-迪丽热巴”的id为“1669879400”

输出

  • 用户名:用户昵称,如"Dear-迪丽热巴"
  • 微博数:用户的全部微博数(转发微博+原创微博)
  • 关注数:用户关注的微博账号数量
  • 粉丝数:用户的粉丝数
  • 微博内容:以list的形式存储了用户所有微博内容
  • 微博位置:以list的形式存储了用户所有微博的发布位置
  • 微博发布时间:以list的形式存储了用户所有微博的发布时间
  • 微博对应的点赞数:以list的形式存储了用户所有微博对应的点赞数
  • 微博对应的转发数:以list的形式存储了用户所有微博对应的转发数
  • 微博对应的评论数:以list的形式存储了用户所有微博对应的评论数
  • 微博发布工具:以list的形式存储了用户所有微博的发布工具,如iPhone客户端、HUAWEI Mate 20 Pro等
  • 结果文件:保存在当前目录的weibo文件夹里,名字为"user_id.txt"的形式

运行环境

  • 开发语言:python2/python3
  • 系统: Windows/Linux

使用说明

1.下载脚本

$ git clone https://github.com/dataabc/weibospider.git

运行上述命令,将本项目下载到当前目录,如果下载成功当前目录会出现一个名为"weibospider"的文件夹;

2.设置cookie和user_id

打开weibospider文件夹下的"weibospider.py"文件,将“your cookie”替换成爬虫微博的cookie,后面会详细讲解如何获取cookie;将user_id替换成想要爬取的微博的user_id,后面会详细讲解如何获取user_id;

3.运行脚本

大家可以根据自己的运行环境选择运行方式,Linux可以通过

$ python weibospider.py

运行;

4.按需求修改脚本(可选)

本脚本是一个Weibo类,用户可以按照自己的需求调用Weibo类。 例如用户可以直接在"weibospider.py"文件中调用Weibo类,具体调用代码示例如下:

user_id = 1669879400
filter = 1
wb = Weibo(user_id,filter) #调用Weibo类,创建微博实例wb
wb.start()  #爬取微博信息

user_id可以改成任意合法的用户id(爬虫的微博id除外);filter默认值为0,表示爬取所有微博信息(转发微博+原创微博),为1表示只爬取用户的所有原创微博;wb是Weibo类的一个实例,也可以是其它名字,只要符合python的命名规范即可;通过执行wb.start() 完成了微博的爬取工作。在上述代码执行后,我们可以得到很多信息:
wb.username:用户名;
wb.weibo_num:微博数;
wb.following:关注数;
wb.followers:粉丝数;
wb.weibo_content:存储用户的所有微博,为list形式,若filter=1, wb.weibo_content[0]为最新一条原创微博,filter=0为最新一条微博,wb.weibo_content[1]、wb.weibo_content[2]分别表示第二新和第三新的微博,以此类推。当然如果用户没有发过微博,则wb.weibo_content为[];
wb.weibo_place: 存储微博的发布位置,为list形式,如wb.weibo_place[0]为最新一条微博的发布位置,与wb.weibo_content[0]对应,如果该条微博没有位置信息,则weibo_place内容为无,其它用法同wb.weibo_content;
wb.publish_time: 存储微博的发布时间,为list形式,如wb.publish_time[0]为最新一条微博的发布时间,与wb.weibo_content[0]对应,其它用法同wb.weibo_content;
wb.up_num:存储微博获得的点赞数,为list形式,如wb.up_num[0]为最新一条微博获得的点赞数,与wb.weibo_content[0]对应,其它用法同wb.weibo_content;
wb.retweet_num:存储微博获得的转发数,为list形式,如wb.retweet_num[0]为最新一条微博获得的转发数,与wb.weibo_content[0]对应,其它用法同wb.weibo_content;
wb.comment_num:存储微博获得的评论数,为list形式,如wb.comment_num[0]为最新一条微博获得的评论数,与wb.weibo_content[0]对应,其它用法同wb.weibo_content。
wb.publish_tool:存储微博的发布工具,为list形式,如wb.publish_tool[0]为最新一条微博的发布工具,与wb.weibo_content[0]对应,其它用法同wb.weibo_content。

如何获取cookie

1.用Chrome打开https://passport.weibo.cn/signin/login
2.输入微博的用户名、密码,登录,如图所示: 登录成功后会跳转到https://m.weibo.cn;
3.按F12键打开Chrome开发者工具,在地址栏输入并跳转到https://weibo.cn,跳转后会显示如下类似界面: 4.点击Chrome开发者工具“Name"列表中的"weibo.cn",点击"Headers",其中"Request Headers"下,"Cookie"后的值即为我们要找的cookie值,复制即可,如图所示:

如何获取user_id

1.打开网址https://weibo.cn,搜索我们要找的人,如”郭碧婷“,进入她的主页;
2.大部分情况下,在用户主页的地址栏里就包含了user_id,如”郭碧婷“的地址栏地址为"https://weibo.cn/u/1729370543?f=search_0",其中的"1729370543"就是她的user_id。如图所示: 但是部分用户设置了个性域名,他们的地址栏地址就变成了"https://weibo.cn/个性域名?f=search_0"的形式,如柳岩主页的地址栏地址为"https://weibo.cn/guangxianliuyan?f=search_0"。如图所示: 事实上,如果仅仅爬取微博,用user_id或个性域名都可以,但是因为本脚本还要爬取用户昵称,而用个性域名表示的网页爬取有一些小问题,需要另外的网页。所以,如果遇到地址栏没有user_id的情况,大家可以点击”资料“,跳转到用户资料页面,如柳岩的资料页面地址为"https://weibo.cn/1644461042/info",其中的"1644461042"即为柳岩微博的user_id。如图所示:

注意事项

1.user_id不能为爬虫微博的user_id。因为要爬微博信息,必须先登录到某个微博账号,此账号我们姑且称为爬虫微博。爬虫微博访问自己的页面和访问其他用户的页面,得到的网页格式不同,所以无法爬取自己的微博信息;
2.cookie有期限限制,大约有几天的有效期,超过有效期需重新更新cookie。