• 功能
• 输出
• 实例
• 运行环境
• 使用说明
  • 下载脚本
  • 安装依赖
  • 设置cookie
  • 设置user_id
  • 设置数据库(可选)
  • 运行脚本
  • 按需求修改脚本(可选)
• 如何获取cookie
• 如何获取user_id
• 注意事项

连续爬取一个或多个新浪微博用户(如胡歌、迪丽热巴、郭碧婷)的数据,并将结果信息写入文件。写入信息几乎包括了用户微博的所有数据,主要有用户信息和微博信息两大类,前者包含用户昵称、关注数、粉丝数、微博数等等;后者包含微博正文、发布时间、发布工具、评论数等等,因为内容太多,这里不再赘述,详细内容见输出部分。具体的写入文件类型如下:

• 写入txt文件(默认)
• 写入csv文件(默认)
• 写入MySQL数据库(可选)
• 写入MongoDB数据库(可选)
• 下载用户微博中的原始图片(可选)
• 下载用户微博中的视频(可选)
  

本程序需要设置用户cookie,以获取微博访问权限,后面会讲解如何获取cookie。如需免cookie版,大家可以访问https://github.com/dataabc/weibo-crawler,二者功能类似,免cookie版获取的信息更多,用法更简单,而且不需要cookie。

本部分为爬取到的字段信息说明,为了与免cookie版区分,下面将两者爬取到的信息都列出来。如果是免cookie版所特有的信息,会有免cookie标注,没有标注的为二者共有的信息。
用户信息

• 用户id:微博用户id,如"1669879400",其实这个字段本来就是已知字段
• 昵称: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:用户关注的微博数量
• 粉丝数:用户的粉丝数
• 性别(免cookie版):微博用户性别
• 简介(免cookie版):用户简介
• 主页地址(免cookie版):微博移动版主页url,如https://m.weibo.cn/u/1669879400?uid=1669879400&luicode=10000011&lfid=1005051669879400
• 头像url(免cookie版):用户头像url
• 高清头像url(免cookie版):用户高清头像url
• 微博等级(免cookie版):用户微博等级
• 会员等级(免cookie版):微博会员用户等级,普通用户该等级为0
• 是否认证(免cookie版):用户是否认证,为布尔类型
• 认证类型(免cookie版):用户认证类型,如个人认证、企业认证、政府认证等
• 认证信息(免cookie版):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:微博唯一标志
• 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"无"
• 视频url: 微博中的视频url,若微博中没有视频,则值为"无"
• 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,精确到分
• 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
• 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"和"user_id.txt"的形式
• 微博图片:原创微博中的图片和转发微博转发理由中的图片,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
• 微博bid(免cookie版):为免cookie版所特有,与本程序中的微博id是同一个值
• 话题(免cookie版):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(免cookie版):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(免cookie版):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

以爬取迪丽热巴的微博为例。首先,我们需要为程序设置cookie值,cookie获取及设置方法见设置cookie。迪丽热巴的微博昵称为"Dear-迪丽热巴",id为1669879400,用户id获取方法见如何获取user_id。我们选择爬取她的全部原创微博。具体方法是将weibospider.py文件的main函数主要部分修改为如下代码:

 # 以下是程序配置信息,可以根据自己需求修改
 filter = 1 # 值为0表示爬取全部微博(原创微博+转发微博),值为1表示只爬取原创微博
 since_date = '1900-01-01' # 起始时间,即爬取发布日期从该值到现在的微博,形式为yyyy-mm-dd
 """值为0代表不将结果写入MongoDB数据库,1代表写入;若要写入MongoDB数据库,
 请先安装MongoDB数据库和pymongo,pymongo安装方法为命令行运行:pip install pymongo"""
 mongodb_write = 0
 """值为0代表不将结果写入MySQL数据库,1代表写入;若要写入MySQL数据库,
 请先安装MySQL数据库和pymysql,pymysql安装方法为命令行运行:pip install pymysql"""
 mysql_write = 0
 pic_download = 1 # 值为0代表不下载微博原始图片,1代表下载微博原始图片
 video_download = 1 # 值为0代表不下载微博视频,1代表下载微博视频
 wb = Weibo(filter, since_date, mongodb_write, mysql_write,
 pic_download, video_download)
 user_id_list = ['1669879400']
 wb.start(user_id_list) # 爬取微博信息

代码具体含义注释里都有,不在赘述。设置完成后运行程序:

$ python weibospider.py

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这里。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、一个txt文件、一个img文件夹和一个video文件夹,img文件夹用来存储下载到的图片,video文件夹用来存储下载到的视频。如果你设置了保存数据库功能,这些信息也会保存在数据库里,数据库设置见设置数据库部分。

csv文件结果如下所示: 1669879400.csv

txt文件结果如下所示: 1669879400.txt

下载的图片如下所示: img文件夹
本次下载了793张图片,大小一共1.21GB,包括她原创微博中的图片和转发微博转发理由中的图片。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。若某张图片因为网络等原因下载失败,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;

下载的视频如下所示: video文件夹
本次下载了70个视频,是她原创微博中的视频,视频名为yyyymmdd+微博id的形式。其中有一个视频因为网络原因下载失败,程序将它的微博id和视频url以"weibo_id:video_url"的形式写到了同文件夹下的not_downloaded.txt里。
因为我本地没有安装MySQL数据库和MongoDB数据库,所以暂时设置成不写入数据库。如果你想要将爬取结果写入数据库,只需要先安装数据库(MySQL或MongoDB),再安装对应包(pymysql或pymongo),然后将mysql_write或mongodb_write值设置为1即可。写入MySQL需要用户名、密码等配置信息,这些配置如何设置见设置数据库部分。

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

$ 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;

$ pip install -r requirements.txt

打开weibospider文件夹下的weibospider.py文件,将"your cookie"替换成爬虫微博的cookie,具体替换位置大约在weibospider.py文件的22行左右。cookie获取方法见如何获取cookie;

打开weibospider文件夹下的weibospider.py文件,将我们想要爬取的一个或多个微博的user_id赋值给user_id_list,user_id获取方法见如何获取user_id。user_id设置代码位于weibospider.py的main函数里,具体代码如下:

# 爬单个微博用户,可以改成任意合法的用户id
user_id_list = ['1669879400']

或者

# 爬多个微博用户,可以改成任意合法的用户id
user_id_list = ['1223178222', '1669879400', '1729370543']

或者

"""可以在文件中读取user_id_list,文件中可以包含很多user_id,
每个user_id占一行,文件名任意,类型为txt,位置位于本程序的同目录下,
比如文件可以叫user_id_list.txt"""
user_id_list = wb.get_user_list('user_id_list.txt')

本部分是可选部分,如果不需要将爬取信息写入数据库,可跳过这一步。本程序目前支持MySQL数据库和MongoDB数据库,如果你需要写入其它数据库,可以参考这两个数据库的写法自己编写。
MySQL数据库写入
要想将爬取信息写入MySQL,请将main函数中的mysql_write变量值改为1。再根据自己的系统环境安装MySQL,然后命令行执行:

$ pip install pymysql

MySQL写入需要主机、端口号、用户名、密码等配置,本程序默认的配置如下:

 mysql_config = {
 'host': 'localhost',
 'port': 3306,
 'user': 'root',
 'password': '123456',
 'charset': 'utf8mb4'
 }

如果你的配置和上面不同,需要修改main函数,将本程序的配置改成自己的配置,具体代码如下:

 mysql_config = {
 'host': 'xxx',
 'port': xxx,
 'user': 'xxx',
 'password': 'xxx',
 'charset': 'utf8mb4'
 }
 wb.change_mysql_config(mysql_config)

MongoDB数据库写入
要想将爬取信息写入MongoDB,请将main函数中的mongodb_write变量值改为1。再根据自己的系统环境安装MongoDB,然后命令行执行:

$ pip install pymongo

MySQL和MongDB数据库的写入内容一样。程序首先会创建一个名为"weibo"的数据库,然后再创建"user"表和"weibo"表,包含爬取的所有内容。爬取到的微博用户信息或插入或更新,都会存储到user表里;爬取到的微博信息或插入或更新,都会存储到weibo表里,两个表通过user_id关联。如果想了解两个表的具体字段,请点击"详情"。

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;

本程序是一个Weibo类,用户可以按照自己的需求调用Weibo类。 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:

 # 以下是程序配置信息,可以根据自己需求修改
 filter = 1 # 值为0表示爬取全部微博(原创微博+转发微博),值为1表示只爬取原创微博
 since_date = '2019-07-01' # 起始时间,即爬取发布日期从该值到现在的微博,形式为yyyy-mm-dd
 """值为0代表不将结果写入MongoDB数据库,1代表写入;若要写入MongoDB数据库,
 请先安装MongoDB数据库和pymongo,pymongo安装方法为命令行运行:pip install pymongo"""
 mongodb_write = 1
 """值为0代表不将结果写入MySQL数据库,1代表写入;若要写入MySQL数据库,
 请先安装MySQL数据库和pymysql,pymysql安装方法为命令行运行:pip install pymysql"""
 mysql_write = 1
 pic_download = 0 # 值为0代表不下载微博原始图片,1代表下载微博原始图片
 video_download = 0 # 值为0代表不下载微博视频,1代表下载微博视频
 wb = Weibo(filter, since_date, mongodb_write, mysql_write,
 pic_download, video_download)
 # 下面是自定义MySQL数据库连接配置(可选)
 """因为操作MySQL数据库需要用户名、密码等参数,本程序默认为:
 mysql_config = {
 'host': 'localhost',
 'port': 3306,
 'user': 'root',
 'password': '123456',
 'charset': 'utf8mb4'
 }
 大家的参数配置如果和默认值不同,可以将上面的参数值替换成自己的,
 然后添加如下代码,使修改生效,如果你的参数和默认值相同则不需要下面的代码:
 wb.change_mysql_config(mysql_config)"""
 # 下面是配置user_id_list
 """user_id_list包含了要爬的目标微博id,可以是一个,也可以是多个,也可以从文件中读取
 爬单个微博,user_id_list如下所示,可以改成任意合法的用户id
 user_id_list = ['1669879400']
 爬多个微博,user_id_list如下所示,可以改成任意合法的用户id
 user_id_list = ['1223178222', '1669879400', '1729370543']
 也可以在文件中读取user_id_list,文件中可以包含很多user_id,
 每个user_id占一行,文件名任意,类型为txt,位置位于本程序的同目录下,
 比如文件可以叫user_id_list.txt,读取文件中的user_id_list如下所示:
 user_id_list = wb.get_user_list('user_id_list.txt')"""
 user_id_list = ['1223178222', '1669879400', '1729370543']
 wb.start(user_id_list) # 爬取微博信息

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.nickname:用户昵称;
wb.weibo_num:微博数;
wb.following:关注数;
wb.followers:粉丝数;
wb.weibo:除不包含上述信息外,wb.weibo包含爬取到的所有微博信息,如微博id、微博正文、原始图片url、发布位置、发布时间、发布工具、点赞数、转发数、评论数等。如果爬的是全部微博(原创+转发),除上述信息之外,还包含被转发微博原始图片url、是否为原创微博等。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]['content']为第一条微博的正文,wb.weibo[0]['publish_time']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。

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.依此点击Chrome开发者工具中的Network->Name中的weibo.cn->Headers->Request Headers,"Cookie:"后的值即为我们要找的cookie值,复制即可,如图所示:

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。

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,超过有效期需重新更新cookie。