Scrapy框架的使用之Scrapy爬取新浪微博

时间  2021-08-15 标签 html git github ajax mongodb 数据库 json api bash 服务器

前面讲解了Scrapy中各个模块基本使用方法以及代理池、Cookies池。接下来咱们以一个反爬比较强的网站新浪微博为例，来实现一下Scrapy的大规模爬取。
html

1、本节目标

本次爬取的目标是新浪微博用户的公开基本信息，如用户昵称、头像、用户的关注、粉丝列表以及发布的微博等，这些信息抓取以后保存至MongoDB。git

2、准备工做

请确保前文所讲的代理池、Cookies池已经实现并能够正常运行，安装Scrapy、PyMongo库。
github

3、爬取思路

首先咱们要实现用户的大规模爬取。这里采用的爬取方式是，以微博的几个大V为起始点，爬取他们各自的粉丝和关注列表，而后获取粉丝和关注列表的粉丝和关注列表，以此类推，这样下去就能够实现递归爬取。若是一个用户与其余用户有社交网络上的关联，那他们的信息就会被爬虫抓取到，这样咱们就能够作到对全部用户的爬取。经过这种方式，咱们能够获得用户的惟一ID，再根据ID获取每一个用户发布的微博便可。
ajax

4、爬取分析

这里咱们选取的爬取站点是：https://m.weibo.cn，此站点是微博移动端的站点。打开该站点会跳转到登陆页面，这是由于主页作了登陆限制。不过咱们能够绕过登陆限制，直接打开某个用户详情页面，例如打开周冬雨的微博，连接为：https://m.weibo.cn/u/1916655407，便可进入其我的详情页面，以下图所示。
mongodb

咱们在页面最上方能够看到周冬雨的关注和粉丝数量。咱们点击关注，进入到她的关注列表，以下图所示。数据库

咱们打开开发者工具，切换到XHR过滤器，一直下拉关注列表，便可看到下方会出现不少Ajax请求，这些请求就是获取周冬雨的关注列表的Ajax请求，以下图所示。json

咱们打开第一个Ajax请求，它的连接为：https://m.weibo.cn/api/container/getIndex?containerid=231051api

-_followers
-_1916655407&luicode=10000011&lfid=1005051916655407&featurecode=20000320&type=uid&value=1916655407&page=2，详情以下图所示。

请求类型是GET类型，返回结果是JSON格式，咱们将其展开以后便可看到其关注的用户的基本信息。接下来咱们只须要构造这个请求的参数。此连接一共有7个参数，以下图所示。bash

其中最主要的参数就是containerid和page。有了这两个参数，咱们一样能够获取请求结果。咱们能够将接口精简为：https://m.weibo.cn/api/container/getIndex?containerid=231051服务器

-_followers
-_1916655407&page=2，这里的 container_id的前半部分是固定的，后半部分是用户的id。因此这里参数就能够构造出来了，只须要修改 container_id最后的 id和 page参数便可获取分页形式的关注列表信息。

利用一样的方法，咱们也能够分析用户详情的Ajax连接、用户微博列表的Ajax连接，以下所示：

# 用户详情API
user_url = 'https://m.weibo.cn/api/container/getIndex?uid={uid}&type=uid&value={uid}&containerid=100505{uid}'
# 关注列表API
follow_url = 'https://m.weibo.cn/api/container/getIndex?containerid=231051_-_followers_-_{uid}&page={page}'
# 粉丝列表API
fan_url = 'https://m.weibo.cn/api/container/getIndex?containerid=231051_-_fans_-_{uid}&page={page}'
# 微博列表API
weibo_url = 'https://m.weibo.cn/api/container/getIndex?uid={uid}&type=uid&page={page}&containerid=107603{uid}'复制代码

此处的uid和page分别表明用户ID和分页页码。

注意，这个API可能随着时间的变化或者微博的改版而变化，以实测为准。

咱们从几个大V开始抓取，抓取他们的粉丝、关注列表、微博信息，而后递归抓取他们的粉丝和关注列表的粉丝、关注列表、微博信息，递归抓取，最后保存微博用户的基本信息、关注和粉丝列表、发布的微博。

咱们选择MongoDB做存储的数据库，能够更方便地存储用户的粉丝和关注列表。

5、新建项目

接下来咱们用Scrapy来实现这个抓取过程。首先建立一个项目，命令以下所示：

scrapy startproject weibo复制代码

进入项目中，新建一个Spider，名为weibocn，命令以下所示：

scrapy genspider weibocn m.weibo.cn复制代码

咱们首先修改Spider，配置各个Ajax的URL，选取几个大V，将他们的ID赋值成一个列表，实现start_requests()方法，也就是依次抓取各个大V的我的详情，而后用parse_user()进行解析，以下所示：

from scrapy import Request, Spider

class WeiboSpider(Spider):
    name = 'weibocn'
    allowed_domains = ['m.weibo.cn']
    user_url = 'https://m.weibo.cn/api/container/getIndex?uid={uid}&type=uid&value={uid}&containerid=100505{uid}'
    follow_url = 'https://m.weibo.cn/api/container/getIndex?containerid=231051_-_followers_-_{uid}&page={page}'
    fan_url = 'https://m.weibo.cn/api/container/getIndex?containerid=231051_-_fans_-_{uid}&page={page}'
    weibo_url = 'https://m.weibo.cn/api/container/getIndex?uid={uid}&type=uid&page={page}&containerid=107603{uid}'
    start_users = ['3217179555', '1742566624', '2282991915', '1288739185', '3952070245', '5878659096']

    def start_requests(self):
        for uid in self.start_users:
            yield Request(self.user_url.format(uid=uid), callback=self.parse_user)

    def parse_user(self, response):
        self.logger.debug(response)复制代码

6、建立Item

接下来咱们解析用户的基本信息并生成Item。这里咱们先定义几个Item，如用户、用户关系、微博的Item，以下所示：

from scrapy import Item, Field

class UserItem(Item):
    collection = 'users'
    id = Field()
    name = Field()
    avatar = Field()
    cover = Field()
    gender = Field()
    description = Field()
    fans_count = Field()
    follows_count = Field()
    weibos_count = Field()
    verified = Field()
    verified_reason = Field()
    verified_type = Field()
    follows = Field()
    fans = Field()
    crawled_at = Field()

class UserRelationItem(Item):
    collection = 'users'
    id = Field()
    follows = Field()
    fans = Field()

class WeiboItem(Item):
    collection = 'weibos'
    id = Field()
    attitudes_count = Field()
    comments_count = Field()
    reposts_count = Field()
    picture = Field()
    pictures = Field()
    source = Field()
    text = Field()
    raw_text = Field()
    thumbnail = Field()
    user = Field()
    created_at = Field()
    crawled_at = Field()复制代码

这里定义了collection字段，指明保存的Collection的名称。用户的关注和粉丝列表直接定义为一个单独的UserRelationItem，其中id就是用户的ID，follows就是用户关注列表，fans是粉丝列表，但这并不意味着咱们会将关注和粉丝列表存到一个单独的Collection里。后面咱们会用Pipeline对各个Item进行处理、合并存储到用户的Collection里，所以Item和Collection并不必定是彻底对应的。

7、提取数据

咱们开始解析用户的基本信息，实现parse_user()方法，以下所示：

def parse_user(self, response):
    """ 解析用户信息 :param response: Response对象 """
    result = json.loads(response.text)
    if result.get('data').get('userInfo'):
        user_info = result.get('data').get('userInfo')
        user_item = UserItem()
        field_map = {
            'id': 'id', 'name': 'screen_name', 'avatar': 'profile_image_url', 'cover': 'cover_image_phone',
            'gender': 'gender', 'description': 'description', 'fans_count': 'followers_count',
            'follows_count': 'follow_count', 'weibos_count': 'statuses_count', 'verified': 'verified',
            'verified_reason': 'verified_reason', 'verified_type': 'verified_type'
        }
        for field, attr in field_map.items():
            user_item[field] = user_info.get(attr)
        yield user_item
        # 关注
        uid = user_info.get('id')
        yield Request(self.follow_url.format(uid=uid, page=1), callback=self.parse_follows,
                      meta={'page': 1, 'uid': uid})
        # 粉丝
        yield Request(self.fan_url.format(uid=uid, page=1), callback=self.parse_fans,
                      meta={'page': 1, 'uid': uid})
        # 微博
        yield Request(self.weibo_url.format(uid=uid, page=1), callback=self.parse_weibos,
                      meta={'page': 1, 'uid': uid})复制代码

在这里咱们一共完成了两个操做。

  • 解析JSON提取用户信息并生成UserItem返回。咱们并无采用常规的逐个赋值的方法，而是定义了一个字段映射关系。咱们定义的字段名称可能和JSON中用户的字段名称不一样，因此在这里定义成一个字典，而后遍历字典的每一个字段实现逐个字段的赋值。

  • 构造用户的关注、粉丝、微博的第一页的连接，并生成Request，这里须要的参数只有用户的ID。另外，初始分页页码直接设置为1便可。

接下来，咱们还须要保存用户的关注和粉丝列表。以关注列表为例，其解析方法为parse_follows()，实现以下所示：

def parse_follows(self, response):
    """ 解析用户关注 :param response: Response对象 """
    result = json.loads(response.text)
    if result.get('ok') and result.get('data').get('cards') and len(result.get('data').get('cards')) and result.get('data').get('cards')[-1].get(
        'card_group'):
        # 解析用户
        follows = result.get('data').get('cards')[-1].get('card_group')
        for follow in follows:
            if follow.get('user'):
                uid = follow.get('user').get('id')
                yield Request(self.user_url.format(uid=uid), callback=self.parse_user)
        # 关注列表
        uid = response.meta.get('uid')
        user_relation_item = UserRelationItem()
        follows = [{'id': follow.get('user').get('id'), 'name': follow.get('user').get('screen_name')} for follow in
                   follows]
        user_relation_item['id'] = uid
        user_relation_item['follows'] = follows
        user_relation_item['fans'] = []
        yield user_relation_item
        # 下一页关注
        page = response.meta.get('page') + 1
        yield Request(self.follow_url.format(uid=uid, page=page),
                      callback=self.parse_follows, meta={'page': page, 'uid': uid})复制代码

那么在这个方法里面咱们作了以下三件事。

  • 解析关注列表中的每一个用户信息并发起新的解析请求。咱们首先解析关注列表的信息，获得用户的ID，而后再利用user_url构造访问用户详情的Request，回调就是刚才所定义的parse_user()方法。

  • 提取用户关注列表内的关键信息并生成UserRelationItem。id字段直接设置成用户的ID，JSON返回数据中的用户信息有不少冗余字段。在这里咱们只提取了关注用户的ID和用户名，而后把它们赋值给follows字段，fans字段设置成空列表。这样咱们就创建了一个存有用户ID和用户部分关注列表的UserRelationItem，以后合而且保存具备同一个ID的UserRelationItem的关注和粉丝列表。

  • 提取下一页关注。只须要将此请求的分页页码加1便可。分页页码经过Request的meta属性进行传递，Response的meta来接收。这样咱们构造并返回下一页的关注列表的Request。

抓取粉丝列表的原理和抓取关注列表原理相同，在此再也不赘述。

接下来咱们还差一个方法的实现，即parse_weibos()，它用来抓取用户的微博信息，实现以下所示：

def parse_weibos(self, response):
    """ 解析微博列表 :param response: Response对象 """
    result = json.loads(response.text)
    if result.get('ok') and result.get('data').get('cards'):
        weibos = result.get('data').get('cards')
        for weibo in weibos:
            mblog = weibo.get('mblog')
            if mblog:
                weibo_item = WeiboItem()
                field_map = {
                    'id': 'id', 'attitudes_count': 'attitudes_count', 'comments_count': 'comments_count', 'created_at': 'created_at',
                    'reposts_count': 'reposts_count', 'picture': 'original_pic', 'pictures': 'pics',
                    'source': 'source', 'text': 'text', 'raw_text': 'raw_text', 'thumbnail': 'thumbnail_pic'
                }
                for field, attr in field_map.items():
                    weibo_item[field] = mblog.get(attr)
                weibo_item['user'] = response.meta.get('uid')
                yield weibo_item
        # 下一页微博
        uid = response.meta.get('uid')
        page = response.meta.get('page') + 1
        yield Request(self.weibo_url.format(uid=uid, page=page), callback=self.parse_weibos,
                      meta={'uid': uid, 'page': page})复制代码

在这里parse_weibos()方法完成了两件事。

  • 提取用户的微博信息，并生成WeiboItem。这里一样创建了一个字段映射表，实现批量字段赋值。

  • 提取下一页的微博列表。这里一样须要传入用户ID和分页页码。

目前为止，微博的Spider已经完成。后面还须要对数据进行数据清洗存储，以及对接代理池、Cookies池来防止反爬虫。

8、数据清洗

有些微博的时间可能不是标准的时间，好比它可能显示为刚刚、几分钟前、几小时前、昨天等。这里咱们须要统一转化这些时间，实现一个parse_time()方法，以下所示：

def parse_time(self, date):
    if re.match('刚刚', date):
        date = time.strftime('%Y-%m-%d %H:%M', time.localtime(time.time()))
    if re.match('\d+分钟前', date):
        minute = re.match('(\d+)', date).group(1)
        date = time.strftime('%Y-%m-%d %H:%M', time.localtime(time.time() - float(minute) * 60))
    if re.match('\d+小时前', date):
        hour = re.match('(\d+)', date).group(1)
        date = time.strftime('%Y-%m-%d %H:%M', time.localtime(time.time() - float(hour) * 60 * 60))
    if re.match('昨天.*', date):
        date = re.match('昨天(.*)', date).group(1).strip()
        date = time.strftime('%Y-%m-%d', time.localtime() - 24 * 60 * 60) + ' ' + date
    if re.match('\d{2}-\d{2}', date):
        date = time.strftime('%Y-', time.localtime()) + date + ' 00:00'
    return date复制代码

咱们用正则来提取一些关键数字，用time库来实现标准时间的转换。

以X分钟前的处理为例，爬取的时间会赋值为created_at字段。咱们首先用正则匹配这个时间，表达式写做\d+分钟前，若是提取到的时间符合这个表达式，那么就提取出其中的数字，这样就能够获取分钟数了。接下来使用time模块的strftime()方法，第一个参数传入要转换的时间格式，第二个参数就是时间戳。在这里咱们用当前的时间戳减去此分钟数乘以60就是当时的时间戳，这样咱们就能够获得格式化后的正确时间了。

而后Pipeline能够实现以下处理：

class WeiboPipeline():
    def process_item(self, item, spider):
        if isinstance(item, WeiboItem):
            if item.get('created_at'):
                item['created_at'] = item['created_at'].strip()
                item['created_at'] = self.parse_time(item.get('created_at'))复制代码

咱们在Spider里没有对crawled_at字段赋值，它表明爬取时间，咱们能够统一将其赋值为当前时间，实现以下所示：

class TimePipeline():
    def process_item(self, item, spider):
        if isinstance(item, UserItem) or isinstance(item, WeiboItem):
            now = time.strftime('%Y-%m-%d %H:%M', time.localtime())
            item['crawled_at'] = now
        return item复制代码

在这里咱们判断了Item若是是UserItem或WeiboItem类型，那么就给它的crawled_at字段赋值为当前时间。

经过上面的两个Pipeline，咱们便完成了数据清洗工做，这里主要是时间的转换。

9、数据存储

数据清洗完毕以后，咱们就要将数据保存到MongoDB数据库。咱们在这里实现MongoPipeline类，以下所示：

import pymongo

class MongoPipeline(object):
    def __init__(self, mongo_uri, mongo_db):
        self.mongo_uri = mongo_uri
        self.mongo_db = mongo_db

    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            mongo_uri=crawler.settings.get('MONGO_URI'), mongo_db=crawler.settings.get('MONGO_DATABASE')
        )

    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]
        self.db[UserItem.collection].create_index([('id', pymongo.ASCENDING)])
        self.db[WeiboItem.collection].create_index([('id', pymongo.ASCENDING)])

    def close_spider(self, spider):
        self.client.close()

    def process_item(self, item, spider):
        if isinstance(item, UserItem) or isinstance(item, WeiboItem):
            self.db[item.collection].update({'id': item.get('id')}, {'$set': item}, True)
        if isinstance(item, UserRelationItem):
            self.db[item.collection].update(
                {'id': item.get('id')},
                {'$addToSet':
                    {
                        'follows': {'$each': item['follows']},
                        'fans': {'$each': item['fans']}
                    }
                }, True)
        return item复制代码

当前的MongoPipeline和前面咱们所写的有所不一样，主要有如下几点。

  • open_spider()方法里添加了Collection的索引，在这里为两个Item都添加了索引，索引的字段是id。因为咱们此次是大规模爬取，爬取过程涉及数据的更新问题，因此咱们为每一个Collection创建了索引，这样能够大大提升检索效率。

  • 在process_item()方法里存储使用的是update()方法，第一个参数是查询条件，第二个参数是爬取的Item。这里咱们使用了$set操做符，若是爬取到重复的数据便可对数据进行更新，同时不会删除已存在的字段。若是这里不加$set操做符，那么会直接进行item替换，这样可能会致使已存在的字段如关注和粉丝列表清空。第三个参数设置为True，若是数据不存在，则插入数据。这样咱们就能够作到数据存在即更新、数据不存在即插入，从而得到去重的效果。

  • 对于用户的关注和粉丝列表，咱们使用了一个新的操做符，叫做$addToSet，这个操做符能够向列表类型的字段插入数据同时去重。它的值就是须要操做的字段名称。这里利用了$each操做符对须要插入的列表数据进行了遍历，以逐条插入用户的关注或粉丝数据到指定的字段。关于该操做更多解释能够参考MongoDB的官方文档，连接为：https://docs.mongodb.com/manual/reference/operator/update/addToSet/。

10、Cookies池对接

新浪微博的反爬能力很是强，咱们须要作一些防范反爬虫的措施才能够顺利完成数据爬取。

若是没有登陆而直接请求微博的API接口，这很是容易致使403状态码。这个状况咱们在Cookies池一节也提过。因此在这里咱们实现一个Middleware，为每一个Request添加随机的Cookies。

咱们先开启Cookies池，使API模块正常运行。例如在本地运行5000端口，访问：http://localhost:5000/weibo/random，便可获取随机的Cookies。固然也能够将Cookies池部署到远程的服务器，这样只须要更改访问的连接。

咱们在本地启动Cookies池，实现一个Middleware，以下所示：

class CookiesMiddleware():
    def __init__(self, cookies_url):
        self.logger = logging.getLogger(__name__)
        self.cookies_url = cookies_url

    def get_random_cookies(self):
        try:
            response = requests.get(self.cookies_url)
            if response.status_code == 200:
                cookies = json.loads(response.text)
                return cookies
        except requests.ConnectionError:
            return False

    def process_request(self, request, spider):
        self.logger.debug('正在获取Cookies')
        cookies = self.get_random_cookies()
        if cookies:
            request.cookies = cookies
            self.logger.debug('使用Cookies ' + json.dumps(cookies))

    @classmethod
    def from_crawler(cls, crawler):
        settings = crawler.settings
        return cls(
            cookies_url=settings.get('COOKIES_URL')
        )复制代码

咱们首先利用from_crawler()方法获取了COOKIES_URL变量，它定义在settings.py里，这就是刚才咱们所说的接口。接下来实现get_random_cookies()方法，这个方法主要就是请求此Cookies池接口并获取接口返回的随机Cookies。若是成功获取，则返回Cookies；不然返回False。

接下来，在process_request()方法里，咱们给request对象的cookies属性赋值，其值就是获取的随机Cookies，这样咱们就成功地为每一次请求赋值Cookies了。

若是启用了该Middleware，每一个请求都会被赋值随机的Cookies。这样咱们就能够模拟登陆以后的请求，403状态码基本就不会出现。

11、代理池对接

微博还有一个反爬措施就是，检测到同一IP请求量过大时就会出现414状态码。若是遇到这样的状况能够切换代理。例如，在本地5555端口运行，获取随机可用代理的地址为：http://localhost:5555/random，访问这个接口便可获取一个随机可用代理。接下来咱们再实现一个Middleware，代码以下所示：

class ProxyMiddleware():
    def __init__(self, proxy_url):
        self.logger = logging.getLogger(__name__)
        self.proxy_url = proxy_url

    def get_random_proxy(self):
        try:
            response = requests.get(self.proxy_url)
            if response.status_code == 200:
                proxy = response.text
                return proxy
        except requests.ConnectionError:
            return False

    def process_request(self, request, spider):
        if request.meta.get('retry_times'):
            proxy = self.get_random_proxy()
            if proxy:
                uri = 'https://{proxy}'.format(proxy=proxy)
                self.logger.debug('使用代理 ' + proxy)
                request.meta['proxy'] = uri

    @classmethod
    def from_crawler(cls, crawler):
        settings = crawler.settings
        return cls(
            proxy_url=settings.get('PROXY_URL')
        )复制代码

一样的原理，咱们实现了一个get_random_proxy()方法用于请求代理池的接口获取随机代理。若是获取成功，则返回改代理，不然返回False。在process_request()方法中，咱们给request对象的meta属性赋值一个proxy字段，该字段的值就是代理。

另外，赋值代理的判断条件是当前retry_times不为空，也就是说第一次请求失败以后才启用代理，由于使用代理后访问速度会慢一些。因此咱们在这里设置了只有重试的时候才启用代理，不然直接请求。这样就能够保证在没有被封禁的状况下直接爬取，保证了爬取速度。

12、启用Middleware

接下来，咱们在配置文件中启用这两个Middleware，修改settings.py以下所示：

DOWNLOADER_MIDDLEWARES = {
    'weibo.middlewares.CookiesMiddleware': 554,
    'weibo.middlewares.ProxyMiddleware': 555,
}复制代码

注意这里的优先级设置，前文提到了Scrapy的默认Downloader Middleware的设置以下：

{
    'scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware': 100,
    'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware': 300,
    'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware': 350,
    'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware': 400,
    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': 500,
    'scrapy.downloadermiddlewares.retry.RetryMiddleware': 550,
    'scrapy.downloadermiddlewares.ajaxcrawl.AjaxCrawlMiddleware': 560,
    'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware': 580,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 590,
    'scrapy.downloadermiddlewares.redirect.RedirectMiddleware': 600,
    'scrapy.downloadermiddlewares.cookies.CookiesMiddleware': 700,
    'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 750,
    'scrapy.downloadermiddlewares.stats.DownloaderStats': 850,
    'scrapy.downloadermiddlewares.httpcache.HttpCacheMiddleware': 900,
}复制代码

要使得咱们自定义的CookiesMiddleware生效，它在内置的CookiesMiddleware以前调用。内置的CookiesMiddleware的优先级为700，因此这里咱们设置一个比700小的数字便可。

要使得咱们自定义的ProxyMiddleware生效，它在内置的HttpProxyMiddleware以前调用。内置的HttpProxyMiddleware的优先级为750，因此这里咱们设置一个比750小的数字便可。

十3、运行

到此为止，整个微博爬虫就实现完毕了。咱们运行以下命令启动爬虫：

scrapy crawl weibocn复制代码

输出结果以下所示：

2017-07-11 17:27:34 [urllib3.connectionpool] DEBUG: http://localhost:5000 "GET /weibo/random HTTP/1.1" 200 339
2017-07-11 17:27:34 [weibo.middlewares] DEBUG: 使用Cookies {"SCF": "AhzwTr_DxIGjgri_dt46_DoPzUqq-PSupu545JdozdHYJ7HyEb4pD3pe05VpbIpVyY1ciKRRWwUgojiO3jYwlBE.", "_T_WM": "8fe0bc1dad068d09b888d8177f1c1218", "SSOLoginState": "1501496388", "M_WEIBOCN_PARAMS": "uicode%3D20000174", "SUHB": "0tKqV4asxqYl4J", "SUB": "_2A250e3QUDeRhGeBM6VYX8y7NwjiIHXVXhBxcrDV6PUJbkdBeLXjckW2fUT8MWloekO4FCWVlIYJGJdGLnA.."}
2017-07-11 17:27:34 [weibocn] DEBUG: <200 https://m.weibo.cn/api/container/getIndex?uid=1742566624&type=uid&value=1742566624&containerid=1005051742566624>
2017-07-11 17:27:34 [scrapy.core.scraper] DEBUG: Scraped from <200 https://m.weibo.cn/api/container/getIndex?uid=1742566624&type=uid&value=1742566624&containerid=1005051742566624>
{'avatar': 'https://tva4.sinaimg.cn/crop.0.0.180.180.180/67dd74e0jw1e8qgp5bmzyj2050050aa8.jpg',
 'cover': 'https://tva3.sinaimg.cn/crop.0.0.640.640.640/6ce2240djw1e9oaqhwllzj20hs0hsdir.jpg',
 'crawled_at': '2017-07-11 17:27',
 'description': '成长，就是一个不断以为之前的本身是个傻逼的过程',
 'fans_count': 19202906,
 'follows_count': 1599,
 'gender': 'm',
 'id': 1742566624,
 'name': '思想聚焦',
 'verified': True,
 'verified_reason': '微博知名博主，校导网编辑',
 'verified_type': 0,
 'weibos_count': 58393}复制代码

运行一段时间后，咱们即可以到MongoDB数据库查看数据，爬取下来的数据以下图所示。

针对用户信息，咱们不只爬取了其基本信息，还把关注和粉丝列表加到了follows和fans字段并作了去重操做。针对微博信息，咱们成功进行了时间转换处理，同时还保存了微博的图片列表信息。

十4、本节代码

本节代码地址为：https://github.com/Python3WebSpider/Weibo。

十5、结语

本节实现了新浪微博的用户及其粉丝关注列表和微博信息的爬取，还对接了Cookies池和代理池来处理反爬虫。不过如今是针对单机的爬取，后面咱们会将此项目修改成分布式爬虫，以进一步提升抓取效率。


本资源首发于崔庆才的我的博客静觅： Python3网络爬虫开发实战教程 | 静觅

如想了解更多爬虫资讯，请关注个人我的微信公众号：进击的Coder

weixin.qq.com/r/5zsjOyvEZ… (二维码自动识别)

联系我们 沪ICP备13005482号-10