cognize

用Python编写新浪微博爬虫

最近用Python写了一个新浪微博的爬虫,可以用来爬取用户所发的微博数关注数粉丝数微博内容以及每条微博对应的发布时间转发数点赞数评论数等信息。爬虫源代码已经传到了我的Github里,地址:https://github.com/dataabc/weiboSpider,欢迎关注,当然不关注也没关系。


以下为2019/08/15更新
又写了一个免cookie版,二者功能类似,目前免cookie版功能更多一些。多了爬取微博话题(即两个#中的内容)和爬取@微博用户功能,用户的信息也爬取的更多。下面以免cookie版为例进行说明。

功能

爬取新浪微博信息,并写入csv文件,文件名为目标用户id加”.csv”的形式,同时还会下载该微博原始图片(可选)。

以爬取迪丽热巴的微博为例,她的微博昵称为”Dear-迪丽热巴”,id为1669879400(后面会讲如何获取用户id)。我们选择爬取她的全部微博。程序会自动生成一个weibo文件夹,我们以后爬取的所有微博都被存储在weibo文件夹里。然后程序在该文件夹下生成一个名为”Dear-迪丽热巴”的文件夹,迪丽热巴的所有微博爬取结果都在这里。”Dear-迪丽热巴”文件夹里包含一个csv文件和一个img文件夹,img文件夹用来存储下载到的图片。

csv文件结果如下所示:
1669879400.csv

本csv文件是爬取“全部微博”(原创微博+转发微博)的结果文件。因为迪丽热巴很多微博本身都没有图片、发布工具、位置、话题和@用户等信息,所以当这些内容没有时对应位置为空。”是否原创”列用来标记是否为原创微博,
当为转发微博时,文件中还包含转发微博的信息。为了简便起见,姑且将转发微博中被转发的原始微博称为源微博,它的用户id、昵称、微博id等都在名称前加上源字,以便与目标用户自己发的微博区分。对于转发微博,程序除了获取用户原创部分的信息,还会获取源用户id源用户昵称源微博id源微博正文源微博原始图片url源微博位置源微博日期源微博工具源微博点赞数源微博评论数源微博转发数源微博话题源微博@用户等信息。原创微博因为没有这些转发信息,所以对应位置为空。若爬取的是”全部原创微博”,则csv文件中不会包含”是否原创”及其之后的转发属性列;

下载的图片如下所示:
img文件夹

本次下载了788张图片,大小一共1.21GB,包括她原创微博中的所有图片。图片名为yyyymmdd+微博id的形式,若某条微博存在多张图片,则图片名中还会包括它在微博图片中的序号。若某图片下载失败,程序则会以“weibo_id:pic_url”的形式将出错微博id和图片url写入同文件夹下的not_downloaded.txt里;若图片全部下载成功则不会生成not_downloaded.txt;

下载的视频如下所示:
video文件夹

本次下载了66个视频,是她原创微博中的视频,视频名为yyyymmdd+微博id的形式。有三个视频因为网络原因下载失败,程序将它们的微博id和视频url分别以“weibo_id:video_url”的形式写到了同文件夹下的not_downloaded.txt里。

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

用户信息

  • 用户id:微博用户id,为一串数字形式
  • 用户昵称:微博用户昵称,如”Dear-迪丽热巴”
  • 性别:微博用户性别
  • 微博数:用户的全部微博数(转发微博+原创微博)
  • 粉丝数:用户的粉丝数
  • 关注数:用户关注的微博数量
  • 简介:用户简介
  • 主页地址:微博移动版主页url
  • 头像url:用户头像url
  • 高清头像url:用户高清头像url
  • 微博等级:用户微博等级
  • 会员等级:微博会员用户等级,普通用户该等级为0
  • 是否认证:用户是否认证,为布尔类型
  • 认证类型:用户认证类型,如个人认证、企业认证、政府认证等
  • 认证信息:为认证用户特有,用户信息栏显示的认证信息

微博信息

  • 微博id:微博的id,为一串数字形式
  • 微博内容:微博正文
  • 原始图片url:原创微博图片和转发微博转发理由中图片的url,若某条微博存在多张图片,每个url以英文逗号分隔,若没有图片则值为’’
  • 微博发布位置:位置微博中的发布位置
  • 微博发布时间:微博发布时的时间,精确到天
  • 点赞数:微博被赞的数量
  • 转发数:微博被转发的数量
  • 评论数:微博被评论的数量
  • 微博发布工具:微博的发布工具,如iPhone客户端、HUAWEI Mate 20 Pro等,若没有则值为’’
  • 话题:微博话题,即两个#中的内容,若存在多个话题,每个url以英文逗号分隔,若没有则值为’’
  • @用户:微博@的用户,若存在多个@用户,每个url以英文逗号分隔,若没有则值为’’
  • 原始微博:为转发微博所特有,是转发微博中那条被转发的微博,存储为字典形式,包含了上述微博信息中的所有内容,如微博id、微博内容等等
  • 结果文件:保存在当前目录weibo文件夹下以用户昵称为名的文件夹里,名字为”user_id.csv”形式
  • 微博图片:原创微博中的图片,保存在以用户昵称为名的文件夹下的img文件夹里
  • 微博视频:原创微博中的视频,保存在以用户昵称为名的文件夹下的video文件夹里

运行环境

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

使用说明

1.下载脚本

1
$ git clone https://github.com/dataabc/weibo-crawler.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”weibo-crawler”的文件夹;

2.设置user_id

打开weibo-crawler文件夹下的”weibo.py“文件,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.安装依赖

1
pip install -r requirements.txt

4.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

1
$ python weibo.py

运行;

5.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”weibo.py”文件中调用Weibo类,具体调用代码示例如下:

1
2
3
4
5
user_id = 1669879400
filter = 1
pic_download = 1
wb = Weibo(user_id, filter, pic_download) #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;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;pic_download默认值为0,代表不下载微博原始图片,1代表下载;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.user:存储目标微博用户信息;

wb.user包含爬取到的微博用户信息,如用户id用户昵称性别微博数粉丝数关注数简介主页地址头像url高清头像url微博等级会员等级是否认证认证类型认证信息等,大家可以点击”详情”查看具体用法。

详情

id:微博用户id,取值方式为wb.user[‘id’],由一串数字组成;

screen_name:微博用户昵称,取值方式为wb.user[‘screen_name’];

gender:微博用户性别,取值方式为wb.user[‘gender’],取值为f或m,分别代表女和男;

statuses_count:微博数,取值方式为wb.user[‘statuses_count’];

followers_count:微博粉丝数,取值方式为wb.user[‘followers_count’];

follow_count:微博关注数,取值方式为wb.user[‘follow_count’];

description:微博简介,取值方式为wb.user[‘description’];

profile_url:微博主页,取值方式为wb.user[‘profile_url’];

profile_image_url:微博头像url,取值方式为wb.user[‘profile_image_url’];

avatar_hd:微博高清头像url,取值方式为wb.user[‘avatar_hd’];

urank:微博等级,取值方式为wb.user[‘urank’];

mbrank:微博会员等级,取值方式为wb.user[‘mbrank’],普通用户会员等级为0;

verified:微博是否认证,取值方式为wb.user[‘verified’],取值为true和false;

verified_type:微博认证类型,取值方式为wb.user[‘verified_type’],没有认证值为-1,个人认证值为0,企业认证值为2,政府认证值为3,这些类型仅是个人猜测,应该不全,大家可以根据实际情况判断;

verified_reason:微博认证信息,取值方式为wb.user[‘verified_reason’],只有认证用户拥有此属性。

wb.weibo:存储爬取到的所有微博信息;

wb.weibo包含爬取到的所有微博信息,如微博id正文原始图片url视频url位置日期发布工具点赞数转发数评论数话题@用户等。如果爬的是全部微博(原创+转发),除上述信息之外,还包含原始用户id原始用户昵称原始微博id原始微博正文原始微博原始图片url原始微博位置原始微博日期原始微博工具原始微博点赞数原始微博评论数原始微博转发数原始微博话题原始微博@用户等信息。wb.weibo是一个列表,包含了爬取的所有微博信息。wb.weibo[0]为爬取的第一条微博,wb.weibo[1]为爬取的第二条微博,以此类推。当filter=1时,wb.weibo[0]为爬取的第一条原创微博,以此类推。wb.weibo[0][‘id’]为第一条微博的id,wb.weibo[0][‘text’]为第一条微博的正文,wb.weibo[0][‘created_at’]为第一条微博的发布时间,还有其它很多信息不在赘述,大家可以点击下面的”详情”查看具体用法。

详情

user_id:存储微博用户id。如wb.weibo[0][‘user_id’]为最新一条微博的用户id;

screen_name:存储微博昵称。如wb.weibo[0][‘screen_name’]为最新一条微博的昵称;

id:存储微博id。如wb.weibo[0][‘id’]为最新一条微博的id;

text:存储微博正文。如wb.weibo[0][‘text’]为最新一条微博的正文;

pics:存储原创微博的原始图片url。如wb.weibo[0][‘pics’]为最新一条微博的原始图片url,若该条微博有多张图片,则存储多个url,以英文逗号分割;若该微博没有图片,则值为’’;

video_url:存储原创微博的视频url。如wb.weibo[0][‘video_url’]为最新一条微博的视频url;若该微博没有视频,则值为’’;

location:存储微博的发布位置。如wb.weibo[0][‘location’]为最新一条微博的发布位置,若该条微博没有位置信息,则值为’’;

created_at:存储微博的发布时间。如wb.weibo[0][‘created_at’]为最新一条微博的发布时间;

source:存储微博的发布工具。如wb.weibo[0][‘source’]为最新一条微博的发布工具;

attitudes_count:存储微博获得的点赞数。如wb.weibo[0][‘attitudes_count’]为最新一条微博获得的点赞数;

comments_count:存储微博获得的评论数。如wb.weibo[0][‘comments_count’]为最新一条微博获得的评论数;

reposts_count:存储微博获得的转发数。如wb.weibo[0][‘reposts_count’]为最新一条微博获得的转发数;

topics:存储微博话题,即两个#中的内容。如wb.weibo[0][‘topics’]为最新一条微博的话题,若该条微博没有话题信息,则值为’’;

at_users:存储微博@的用户。如wb.weibo[0][‘at_users’]为最新一条微博@的用户,若该条微博没有@的用户,则值为’’;

retweet:存储转发微博中原始微博的全部信息。假如wb.weibo[0]为转发微博,则wb.weibo[0][‘retweet’]为该转发微博的原始微博,它存储的属性与wb.weibo[0]一样,只是没有retweet属性;若该条微博为原创微博,则wb[0]没有”retweet”属性,大家可以点击”详情”查看具体用法。

详情

假设爬取到的第i条微博为转发微博,则它存在以下信息:

user_id:存储原始微博用户id。wb.weibo[i-1][‘retweet’][‘user_id’]为该原始微博的用户id;

screen_name:存储原始微博昵称。wb.weibo[i-1][‘retweet’][‘screen_name’]为该原始微博的昵称;

id:存储原始微博id。wb.weibo[i-1][‘retweet’][‘id’]为该原始微博的id;

text:存储原始微博正文。wb.weibo[i-1][‘retweet’][‘text’]为该原始微博的正文;

pics:存储原始微博的原始图片url。wb.weibo[i-1][‘retweet’][‘pics’]为该原始微博的原始图片url,若该原始微博有多张图片,则存储多个url,以英文逗号分割;若该原始微博没有图片,则值为’’;

video_url:存储原始微博的视频url。如wb.weibo[i-1][‘retweet’][‘video_url’]为该原始微博的视频url;若该微博没有视频,则值为’’;

location:存储原始微博的发布位置。wb.weibo[i-1][‘retweet’][‘location’]为该原始微博的发布位置,若该原始微博没有位置信息,则值为’’;

created_at:存储原始微博的发布时间。wb.weibo[i-1][‘retweet’][‘created_at’]为该原始微博的发布时间;

source:存储原始微博的发布工具。wb.weibo[i-1][‘retweet’][‘source’]为该原始微博的发布工具;

attitudes_count:存储原始微博获得的点赞数。wb.weibo[i-1][‘retweet’][‘attitudes_count’]为该原始微博获得的点赞数;

comments_count:存储原始微博获得的评论数。wb.weibo[i-1][‘retweet’][‘comments_count’]为该原始微博获得的评论数;

reposts_count:存储原始微博获得的转发数。wb.weibo[i-1][‘retweet’][‘reposts_count’]为该原始微博获得的转发数;

topics:存储原始微博话题,即两个#中的内容。wb.weibo[i-1][‘retweet’][‘topics’]为该原始微博的话题,若该原始微博没有话题信息,则值为’’;

at_users:存储原始微博@的用户。wb.weibo[i-1][‘retweet’][‘at_users’]为该原始微博@的用户,若该原始微博没有@的用户,则值为’’。

如何获取user_id

1.打开网址https://weibo.cn,搜索我们要找的人,如”迪丽热巴”,进入她的主页;


2.按照上图箭头所指,点击”资料”链接,跳转到用户资料页面;


如上图所示,迪丽热巴微博资料页的地址为”https://weibo.cn/1669879400/info“,其中的”1669879400”即为此微博的user_id。

事实上,此微博的user_id也包含在用户主页(https://weibo.cn/u/1669879400?f=search_0)中,之所以我们还要点击主页中的”资料”来获取user_id,是因为很多用户的主页不是”https://weibo.cn/user_id?f=search_0“的形式,而是”https://weibo.cn/个性域名?f=search_0“或”https://weibo.cn/微号?f=search_0“的形式。其中”微号”和user_id都是一串数字,如果仅仅通过主页地址提取user_id,很容易将”微号”误认为user_id。


标签:

发表于2016-03-26 22:54:01,最后修改于2019-08-15 22:56:13。

本站文章欢迎链接分享,禁止全文转载。


« 上一篇 解决matplotlib中文显示问题 下一篇 » Django上传并显示图片

推荐阅读

Big Image