Scrapy爬取新浪微博移動版用戶首頁第一條微博

時間 2020-05-22

原文原文鏈接

你們好，本月第一次更新。html

最近找了一份關於爬蟲的實習工做，須要爬取較大量的數據，這時就發現經過本身編寫函數來實現爬蟲效率太慢了；因而又轉回來用scrapy，之前稍微學習了一下，此次恰好爬爬微博練練手，然後再使用部分數據生成詞雲。web

本次爬取的是新浪微博移動端（https://m.weibo.cn/），爬取的數據是用戶微博首頁的第一條微博（以下圖），包括文字內容、轉發量、評論數、點贊數和發佈時間，還有用戶名和其所在地區（後面能夠分析不一樣地區微博用戶的關心的熱點話題）。數據庫

1、分析網頁編程

獲取用戶微博入口url

瀏覽發現使用的是使用Ajax渲染的網頁，微博數據（https://m.weibo.cn/api/container/getIndex?containerid=102803_ctg1_5088_-_ctg1_5088&openApp=0&since_id=1）存儲在json格式網頁中，因此思路是先經過微博數據獲得用戶url（以下圖），再來爬取後續內容。json

獲取第一條微博數據

也是使用了Ajax渲染的網頁，跟上面同樣找到網頁入口就好了。請求網址以下：api

這樣看網址的話毫無規律可言，簡化後發現 https://m.weibo.cn/api/container/getIndex?containerid=1076032554757470就能夠進入。並且containerid=107603（***）這裏，括號裏的數字恰好是用戶的id號，所以咱們能夠經過這個來構造網頁。app

獲取用戶所在地區

用戶所在地在其基本資料中，以下圖框架

地址爲：dom

一樣進行簡化獲得：https://m.weibo.cn/api/container/getIndex?containerid=230283（***）_-_INFO其中括號裏面是用戶id號。scrapy

經過以上分析可知，獲取用戶的 id 號是本次爬取數據的關鍵，只須要用 id 構成網址，後面的爬取就相對簡單了。下面是編程部分。

2、編程爬取

注：轉載代碼請標明出處

首先經過命令行建立 scrapy 爬蟲。

scrapy startproject sinaweibo scrapy genspider xxx(爬蟲名) xxx(所在域名)

items.py定義爬蟲字段

import scrapy class SinaweiboItem(scrapy.Item): # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field()       #用戶名
    first_news = scrapy.Field()     #首條微博
    dates = scrapy.Field()     #發佈時間 
    zhuanzai = scrapy.Field()       #轉載數
    comment = scrapy.Field()        #評論數
    agree = scrapy.Field()      #點贊數
    city = scrapy.Field()       #所在地區

編寫爬取代碼

 1 # -*- coding: utf-8 -*-
 2 import scrapy  3 from sinaweibo.items import SinaweiboItem  4 import json  5 import re  6 import copy  7 
 8 
 9 class WeibodiyuSpider(scrapy.Spider): 10     name = 'weibodiyu'  #爬蟲名
11     allowed_domains = ['m.weibo.cn']    #只在該域名內爬取
12     start_urls = ['https://m.weibo.cn/api/container/getIndex?containerid=102803_ctg1_4188_-_ctg1_4188&openApp=0&since_id=1'
13  ] 14 
15     def parse1(self, response): 16         infos = json.loads(response.body)   #將內容轉爲json對象
17         item = response.meta['item']    #利用meta方法傳入item
18         city = response.meta['city']    #傳入城市
19         try: 20             name = infos["data"]["cards"][0]["mblog"]["user"]["screen_name"]    #爬取名字
21             first_news = re.findall('([\u4e00-\u9fa5]+)', str(infos["data"]["cards"][0]["mblog"]["text"]), re.S)    #爬取微博內容，使用正則去除一些雜項如網頁代碼
22             dates = infos["data"]["cards"][0]["mblog"]["created_at"]    #發佈時間
23             zhuanzai = infos["data"]["cards"][0]["mblog"]["reposts_count"]    #轉載數
24             comment = infos["data"]["cards"][0]["mblog"]["comments_count"]    #評論數
25             agree = infos["data"]["cards"][0]["mblog"]["attitudes_count"]    #點贊數
26             #將數據賦給item
27             item['name'] = name 28             item['first_news'] = first_news 29             item['dates'] = dates 30             item['zhuanzai'] = zhuanzai 31             item['comment'] = comment 32             item['agree'] = agree 33             item['city'] = city 34             return item    #返回
35         except IndexError or KeyError: 36             pass
37 
38     def parse2(self, response):    #獲取所在地區函數
39         infos = json.loads(response.body) 40         try: 41             item = response.meta['item']    #傳入item
42             city_cont = str(infos["data"]["cards"][1]["card_group"]) 43             city = re.findall('card_type.*?所在地.*?item.*?:(.*?)}]', city_cont, re.S)[0].replace('\'', '').replace( 44                 ' ', '')    #城市
45             item['city'] = city 46             ids = response.meta['ids']    #傳入id並賦給ids變量
47             n_url1 = 'https://m.weibo.cn/api/container/getIndex?&containerid=107603' + ids 48             yield scrapy.Request(n_url1, meta={'item': item, 'city': copy.deepcopy(city)}, callback=self.parse1)    #執行完上述命令後的步驟
49         except IndexError or KeyError: 50             pass
51 
52     def parse(self, response): 53         datas = json.loads(response.body) 54         item = SinaweiboItem() 55         for i in range(0, 20): 56             try: 57                 ids = str(datas["data"]["cards"][i]["mblog"]["user"]["id"])    #獲取用戶id
58                 n_url2 = 'https://m.weibo.cn/api/container/getIndex?containerid=230283{}_-_INFO'.format(ids) 59                 yield scrapy.Request(n_url2, meta={'item': item, 'ids': copy.deepcopy(ids)}, callback=self.parse2)    #進入parse2函數執行命令
60             except IndexError or KeyError: 61                 pass
62         social_urls = [ 63             'https://m.weibo.cn/api/container/getIndex?containerid=102803_ctg1_4188_-_ctg1_4188&openApp=0&since_id={}'.format( 64                 str(i)) for i in range(2, 100)] 65         celebritys_urls = [ 66             'https://m.weibo.cn/api/container/getIndex?containerid=102803_ctg1_4288_-_ctg1_4288&openApp=0&since_id={}'.format( 67                 str(j)) for j in range(1, 100)] 68         hots_urls = ['https://m.weibo.cn/api/container/getIndex?containerid=102803&openApp=0&since_id={}'.format(str(t)) 69                      for
70                      t in range(1, 100)] 71         urls = celebritys_urls + social_urls + hots_urls    #入口網址
72         for url in urls: 73             yield scrapy.Request(url, callback=self.parse)

這裏要注意 scrpay.Request 函數的meta參數，它是一個字典，用來進行參數傳遞，如上面代碼所示，我想在parse2()函數中用到parse()函數中爬取的用戶id，就須要進行設置，這裏就不過多解釋了，其實我也是處於摸着石頭過河的理解程度，想深刻了解的朋友可自行百度。

在setting.py配置爬蟲

此次我只將內容導出到了csv文件中，方便後續篩選製做詞雲，若是爬取的數據較多的話，能夠存儲到數據庫中。

 1 BOT_NAME = 'sinaweibo'
 2 
 3 SPIDER_MODULES = ['sinaweibo.spiders']  4 NEWSPIDER_MODULE = 'sinaweibo.spiders'
 5 
 6 USER_AGENT: 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'    #消息頭
 7 DOWNLOAD_DELAY = 0.5    #延時0.5s
 8 # Crawl responsibly by identifying yourself (and your website) on the user-agent
 9 #USER_AGENT = 'sinaweibo (+http://www.yourdomain.com)'
10 FEED_URI = 'file:C:/Users/lenovo/Desktop/weibo.csv'    #存入文件位置
11 FEED_FORMAT = 'csv'    #保存格式
12 ITEM_PIPELINES= {'sinaweibo.pipelines.SinaweiboPipeline': 300}     #管道設置
13 # Obey robots.txt rules
14 ROBOTSTXT_OBEY = False 15 FEED_EXPORT_ENCODING = 'UTF8'   #編碼格式

本次沒有下載圖片及其餘內容了，所以pipelines.py文件就沒有編寫內容了。爬取的部分數據以下：

到這裏爬蟲部分就結束了，本次爬取的內容也較爲簡單，下面的話就是使用其中的部分數據來生成詞雲。

詞雲製做

在文件中新建了一個 weibo_analysis.py 的文件，使用jieba庫來進行分詞，在此以前，須要先將所需數據提取出來，這裏使用pandas就能夠。

這部分程序很簡單，就不廢話了，直接上代碼：

 1 import csv  2 import pandas as pd  3 import jieba.analyse  4 
 5 
 6 def get_ciyun(city):    #進行分詞
 7     tags=jieba.analyse.extract_tags(str(city),topK=100,withWeight=True)  8     for item in tags:  9         print(item[0]+'\t'+str(int(item[1]*1000))) 10 
11 
12 need_citys = ['北京', '上海', '湖南', '四川', '廣東'] 13 beijing = [] 14 shanghai = [] 15 hunan = [] 16 sichuan = [] 17 gd = [] 18 pd.set_option('expand_frame_repr', True)    #可換行顯示
19 pd.set_option('display.max_rows', None)    #顯示全部行
20 pd.set_option('display.max_columns', None)    #顯示全部列
21 df = pd.read_csv('C:\\Users\lenovo\Desktop\weibo.csv')    #讀取文件內容並轉化爲dataframes對象
22 
23 contents = df['first_news']    #取微博內容
24 city = df['city']    #取城市
25 for i in range(len(city)): 26     if need_citys[0] in city[i]:    #判斷並存入
27  beijing.append(contents[i]) 28     elif need_citys[1] in city[i]: 29  shanghai.append(contents[i]) 30     elif need_citys[2] in city[i]: 31  hunan.append(contents[i]) 32     elif need_citys[3] in city[i]: 33  sichuan.append(contents[i]) 34     elif need_citys[4] in city[i]: 35  gd.append(contents[i]) 36     else: 37         pass
38 
39 #輸出
40 get_ciyun(beijing) 41 print('-'*20) 42 get_ciyun(shanghai) 43 print('-'*20) 44 get_ciyun(hunan) 45 print('-'*20) 46 get_ciyun(sichuan) 47 print('-'*20) 48 get_ciyun(gd)