Scrapy爬取新浪微博移动版用户首页微博

前言：

本次爬取的是新浪微博移动端（/），爬取的数据是用户微博首页的第一条微博（如下图），包括文字内容、转发量、评论数、点赞数和发布时间，还有用户名和其所在地区（后面可以分析不同地区微博用户的关心的热点话题）。

开发工具

Python版本：3.6

相关模块：

import scrapyfrom sinaweibo.items import SinaweiboItemimport jsonimport reimport copy

分析网页

浏览发现使用的是使用Ajax渲染的网页，微博数据（/api/container/getIndex?containerid=102803_ctg1_5088_-_ctg1_5088&openApp=0&since_id=1）存储在json格式网页中，所以思路是先通过微博数据得到用户url（如下图），再来爬取后续内容。

获取第一条微博数据

也是使用了Ajax渲染的网页，跟上面一样找到网页入口就行了。请求网址如下：

这样看网址的话毫无规律可言，简化后发现/api/container/getIndex?containerid=1076032554757470就可以进入。而且containerid=107603（***）这里，括号里的数字刚好是用户的id号，因此我们可以通过这个来构造网页。

获取用户所在地区

用户所在地在其基本资料中，如下图

地址为：

同样进行简化得到：/api/container/getIndex?containerid=230283（***）_-_INFO其中括号里面是用户id号。

通过以上分析可知，获取用户的**id**号是本次爬取数据的关键，只需要用**id**构成网址，后面的爬取就相对简单了。下面是编程部分。

编程爬取

items.py定义爬虫字段

import scrapy'''遇到不懂的问题？Python学习交流群：821460695满足你的需求，资料都已经上传群文件，可以自行下载！'''class SinaweiboItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()name = scrapy.Field() #用户名first_news = scrapy.Field()#首条微博dates = scrapy.Field()#发布时间 zhuanzai = scrapy.Field() #转载数comment = scrapy.Field() #评论数agree = scrapy.Field()#点赞数city = scrapy.Field() #所在地区

编写爬取代码

# -*- coding: utf-8 -*-import scrapyfrom sinaweibo.items import SinaweiboItemimport jsonimport reimport copy'''遇到不懂的问题？Python学习交流群：821460695满足你的需求，资料都已经上传群文件，可以自行下载！'''class WeibodiyuSpider(scrapy.Spider):name = 'weibodiyu' #爬虫名allowed_domains = [''] #只在该域名内爬取start_urls = ['/api/container/getIndex?containerid=102803_ctg1_4188_-_ctg1_4188&openApp=0&since_id=1']def parse1(self, response):infos = json.loads(response.body) #将内容转为json对象item = response.meta['item'] #利用meta方法传入itemcity = response.meta['city'] #传入城市try:name = infos["data"]["cards"][0]["mblog"]["user"]["screen_name"] #爬取名字first_news = re.findall('([\u4e00-\u9fa5]+)', str(infos["data"]["cards"][0]["mblog"]["text"]), re.S) #爬取微博内容，使用正则去除一些杂项如网页代码dates = infos["data"]["cards"][0]["mblog"]["created_at"] #发布时间zhuanzai = infos["data"]["cards"][0]["mblog"]["reposts_count"] #转载数comment = infos["data"]["cards"][0]["mblog"]["comments_count"] #评论数agree = infos["data"]["cards"][0]["mblog"]["attitudes_count"] #点赞数#将数据赋给itemitem['name'] = nameitem['first_news'] = first_newsitem['dates'] = datesitem['zhuanzai'] = zhuanzaiitem['comment'] = commentitem['agree'] = agreeitem['city'] = cityreturn item #返回except IndexError or KeyError:passdef parse2(self, response): #获取所在地区函数infos = json.loads(response.body)try:item = response.meta['item'] #传入itemcity_cont = str(infos["data"]["cards"][1]["card_group"])city = re.findall('card_type.*?所在地.*?item.*?:(.*?)}]', city_cont, re.S)[0].replace('\'', '').replace(' ', '') #城市item['city'] = cityids = response.meta['ids'] #传入id并赋给ids变量n_url1 = '/api/container/getIndex?&containerid=107603' + idsyield scrapy.Request(n_url1, meta={'item': item, 'city': copy.deepcopy(city)}, callback=self.parse1) #执行完上述命令后的步骤except IndexError or KeyError:passdef parse(self, response):datas = json.loads(response.body)item = SinaweiboItem()for i in range(0, 20):try:ids = str(datas["data"]["cards"][i]["mblog"]["user"]["id"]) #获取用户idn_url2 = '/api/container/getIndex?containerid=230283{}_-_INFO'.format(ids)yield scrapy.Request(n_url2, meta={'item': item, 'ids': copy.deepcopy(ids)}, callback=self.parse2) #进入parse2函数执行命令except IndexError or KeyError:passsocial_urls = ['/api/container/getIndex?containerid=102803_ctg1_4188_-_ctg1_4188&openApp=0&since_id={}'.format(str(i)) for i in range(2, 100)]celebritys_urls = ['/api/container/getIndex?containerid=102803_ctg1_4288_-_ctg1_4288&openApp=0&since_id={}'.format(str(j)) for j in range(1, 100)]hots_urls = ['/api/container/getIndex?containerid=102803&openApp=0&since_id={}'.format(str(t))fort in range(1, 100)]urls = celebritys_urls + social_urls + hots_urls #入口网址for url in urls:yield scrapy.Request(url, callback=self.parse)

这里要注意 scrpay.Request 函数的meta参数，它是一个字典，用来进行参数传递，如上面代码所示，我想在parse2()函数中用到parse()函数中爬取的用户id，就需要进行设置，这里就不过多解释了，其实我也是处于摸着石头过河的理解程度，想深入了解的朋友可自行百度。

在setting.py配置爬虫

这次我只将内容导出到了csv文件中，方便后续筛选制作词云，如果爬取的数据较多的话，可以存储到数据库中。

BOT_NAME = 'sinaweibo'SPIDER_MODULES = ['sinaweibo.spiders']NEWSPIDER_MODULE = 'sinaweibo.spiders'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' #消息头DOWNLOAD_DELAY = 0.5 #延时0.5s# Crawl responsibly by identifying yourself (and your website) on the user-agent#USER_AGENT = 'sinaweibo (+)'FEED_URI = 'file:C:/Users/lenovo/Desktop/weibo.csv' #存入文件位置FEED_FORMAT = 'csv' #保存格式ITEM_PIPELINES= {'sinaweibo.pipelines.SinaweiboPipeline': 300}#管道设置# Obey robots.txt rulesROBOTSTXT_OBEY = FalseFEED_EXPORT_ENCODING = 'UTF8' #编码格式

本次没有下载图片及其他内容了，因此pipelines.py文件就没有编写内容了。爬取的部分数据如下：

到这里爬虫部分就结束了，本次爬取的内容也较为简单，下面的话就是使用其中的部分数据来生成词云。

词云制作

在文件中新建了一个 weibo_analysis.py 的文件，使用jieba库来进行分词，在此之前，需要先将所需数据提取出来，这里使用pandas就可以。

这部分程序很简单，就不废话了，直接上代码：

import csvimport pandas as pdimport jieba.analyse'''遇到不懂的问题？Python学习交流群：821460695满足你的需求，资料都已经上传群文件，可以自行下载！'''def get_ciyun(city): #进行分词tags=jieba.analyse.extract_tags(str(city),topK=100,withWeight=True)for item in tags:print(item[0]+'\t'+str(int(item[1]*1000)))need_citys = ['北京', '上海', '湖南', '四川', '广东']beijing = []shanghai = []hunan = []sichuan = []gd = []pd.set_option('expand_frame_repr', True) #可换行显示pd.set_option('display.max_rows', None) #显示所有行pd.set_option('display.max_columns', None) #显示所有列df = pd.read_csv('C:\\Users\lenovo\Desktop\weibo.csv') #读取文件内容并转化为dataframes对象contents = df['first_news'] #取微博内容city = df['city'] #取城市for i in range(len(city)):if need_citys[0] in city[i]: #判断并存入beijing.append(contents[i])elif need_citys[1] in city[i]:shanghai.append(contents[i])elif need_citys[2] in city[i]:hunan.append(contents[i])elif need_citys[3] in city[i]:sichuan.append(contents[i])elif need_citys[4] in city[i]:gd.append(contents[i])else:pass#输出get_ciyun(beijing)print('-'*20)get_ciyun(shanghai)print('-'*20)get_ciyun(hunan)print('-'*20)get_ciyun(sichuan)print('-'*20)get_ciyun(gd)

本次是通过Tagul网站在制作词云，将上方输出的词频导入，选择好词云形状、字体（不支持中文可自行导入中文字体包）、颜色等点击可视化就能生成了，非常方便。

下面是我本次生成的词云图片：

如果觉得《Scrapy爬取新浪微博移动版用户首页微博》对你有帮助，请点赞、收藏，并留下你的观点哦！