新浪微博绝对是一个巨大的,实时的语料库!对微博数据爬取和分析,有重大的意义。
比如,现在要调查工商银行的服务态度,就可以抓取微博内容中包含工商银行的微博语料,然后做情感分析,就可以得到用户对银行服务的满意程度。
再比如,最近火热的明星鹿晗,可以抓取鹿晗的粉丝信息,分析这些粉丝处于什么年龄段,有什么标签,爱好,性别分布等等。这种对人群的分析,还可以同理应用到商业品牌上,用用户市场调研。
当然例子还有很多,那么,首先,要有微博数据!
所以,就产生了众多的微博爬虫项目。后来,新浪微博也开放了微博的API接口,但是官方的东西,限制还是很多的。
准备工作
User-Agent池
爬微博,这种大项目,必要充分的伪装是必须的,所以需要一个User-Agent池,每次,随机选择一个User-Agent。
我整理的在这里:User-Agent池
充足的微博账号
微博爬虫,必须登录以后,才能抓取。而一直使用一个账号,是很容易被封号的!
所以,需要多准备几个账号,每次随机选择一个账号登录,进行抓取。(实际是随机选择一个cookie)。
至于买微博账号的地方,某宝就有:
充足的IP代理
如果你想很快的进行抓取,延迟为0的话,IP很快就会被封,返回403 Forbidden。这时候就需要换代理,所以需要有一个IP代理池。
当然,经测试,每次访问延迟为0.5s,并发量为32,这个参数是不会被封的!
一个服务器
其实,如果IP代理,是免费抓取来的,通常质量并不好,通过代理访问延迟会很大!所以,不如不用代理,加一个0.5秒的延迟,慢慢爬。
这时候,就需要一个勤劳的爬虫,24小时不间断的爬数据!
所以当然是需要部署在服务器上!
爬虫策略
登录微博
登录一直是一个很复杂的问题,不过,我们可以通过selenium来简化这个问题。
直接通过selenium编写浏览器的脚本,自动打开微博的手机站,点击登录,在输入框中填充账号,密码,再点击登录。最后返回cookie即可。
获取cookie以后,可以保存到数据库中。以后每次request请求,随机从数据库中选一个cookie加上,就免登录了。
抓取方案
首先选择一个(或多个)种子用户,作为最初抓取的对象。
对于每个抓取对象,依次抓取个人信息,所有的微博,还有粉丝列表和关注列表。
将对象的粉丝列表和关注列表中的用户,再加入到抓取对象中去。以此循环。
这样就可以形成以种子用户为核心,逐层向外扩散的爬虫辐射。
理论上,只要一小批种子用户启动,就可以爬取全网的微博!
大V的过滤
事实上,有很多微博的信息是没有营养的,比如一些恶俗的营销号,或者一些明星的微博账号。所以,我们可以给抓取的对象,加一个比较正常的阈值,也就是一个普通用户的情况:微博数量<5000,粉丝<5000,关注<5000.
Scrapy配置
MiddleWare:随机User-Agent和随机Cookie
Mongodb:网络爬虫,数据项进场会出现不全,格式不统一的状况,所以采用Mongodb较为合适
DOWNLOAD_DELAY = 0.5 下载间隔时间设置为0.5
CONCURRENT_REQUESTS = 32 并发下载量为32
LOG_FILE = weibo.log 采用日志文件记录日志
运行环境为:Python3
需要依赖包括:pymogo,scrapy
部署服务器,Run!
服务器安装Mongodb,并开放外网访问权限
这样配置以后,在本地Pycharm中,配置远端数据库,就实现可视化操作与管理。
运行爬虫
克隆代码到服务器中,安装依赖,并执行
nohup python run.py
就已经开始不停的爬取微博了!
通过命令:tail -10 weibo.log 查看最新的日志。
在日志中,查看爬取速度:
可以看到一分钟,可以抓取848个item(数据项),这样一天下来:
8486024=1221120 可以抓取120万的微博数据!!
而且是在服务器上运行,可以源源不断的抓取!
同时在本地,通过Mongodb可视化工具,连接并查看数据库。
通过简单的count统计,抓取数量:
可以看到至此已经抓取1.8k用户信息,2.7w微博语料,8.2w分析关系信息。
原文发布时间为:2018-07-08
本文来自云栖社区合作伙伴“大数据挖掘DT机器学习”,了解相关信息可以关注“大数据挖掘DT机器学习”