scrapy 爬取微博(一)【最新超详细解析】:创建微博爬取工程

本项目属于个人学习记录，爬取的数据会于12小时内销毁，且不可用于商用。

1 初始化环境

首先我们需要有python环境，先安装一下python，然后配置环境变量，这边给出windows的配置：

我这边的安装目录是D:\python38，然后配置上面框出来的2个路径就可以了，然后我们只需要在命令行里面输入 python ，和pip -V ，就可以检查环境是否配置正确了。

接下来的操作我们都是用系统python解释器的，没有用虚拟环境。

下一步要先安装scrapy

pip install scrapy

安装好之后，我们在命令行里就可以全局使用scrapy命令了，否则是不可以执行scrapy的。

2 创建scrapy 工程

我们在我们想要的目录下调出命令行，然后执行以下命令。

scrapy startproject weiboScrapy

然后进入到weiboScrpay目录执行

# 生成爬虫
scrapy genspider weibo weibo.com

scrapy 基本框架就自动创建好了。

然后使用pychram（或者其他IDE）打开这个工程就可以继续开发了。

3 分析【微博热门榜单页面和hottimeline接口】

我们先来分析微博的页面，只有把它的页面分析清楚之后我们才能很快速的写出爬虫程序。

首先访问到热门榜单这个页面，地址是

https://weibo.com/newlogin?tabtype=weibo&gid=102803&openLoginLayer=0&url=https%3A%2F%2Fwww.weibo.com%2F

这个页面是没有分页的，每次向下滚动一部分，就会刷新一些内容，这个内容的刷新是通过页面触发js来实现的：

用开发者模式看下获取数据的接口

https://weibo.com/ajax/feed/hottimeline?since_id=0&group_id=1028039999&containerid=102803_ctg1_9999_-_ctg1_9999_home&extparam=discover|new_feed&max_id=0&count=10

可以直接在浏览器里访问这个地址：

这个接口的参数max_id 从0~10，我们可以访问11次，到11的时候就不返回数据了。

这一期，下面我们先尝试爬取下这个接口，编写weibo.py

import json
import scrapyclass WeiboSpider(scrapy.Spider):name = "weibo"allowed_domains = ["weibo.com"]# 设置初始的 max_id 列表max_ids = list(range(11))  # 从 0 到 10def __init__(self, *args, **kwargs):super(WeiboSpider, self).__init__(*args, **kwargs)self.total_status_count = 0  # 初始化总状态数量# # 定义要添加的 Cookie# cookies = {#     'SUB': '_2AkMRj066f8NxqwFRmf0TzGrkbI5yzA_EieKn079hJRMxHRl-yT9yqnEOtRB6Og9gVYRlK8MjyNQS8SoFk1YpK2-AQy9y',#     'SUBP': '0033WrSXqPxfM72-Ws9jqgMF55529P9D9WFgPmLBUsy6MwsMC5xnJgRR',#     'XSRF-TOKEN': 'izuNFQukjrNwDKLkHMPEzOzg',#     'WBPSESS': 'Av_uyMf5J_yRg2sn7ncLQTeiuJdSBhgltfM3mRx0MxWwamUSH7h4GvtzB0GGitRMjUKnTWeiDcCehmYUuP91JYDPKmR5nREclKR8dN5CqqPRIVVOrSM8MeotWgLhMj4ZKpRmWZp_c0ZUOq1_89nkTf6YXHjfXOTV1W07ZchOugw='# }def start_requests(self):# 从文件中读取 Cookiecookies = self.load_cookies('cookies.txt')# 循环生成请求for max_id in self.max_ids:url = f'https://weibo.com/ajax/feed/hottimeline?refresh=2&group_id=1028039999&containerid=102803_ctg1_9999_-_ctg1_9999_home&extparam=discover%7Cnew_feed&max_id={max_id}&count=10'yield scrapy.Request(url=url, callback=self.parse, cookies=cookies)def load_cookies(self, file_path):"""从指定文件加载 Cookies"""cookies = {}with open(file_path, 'r', encoding='utf-8') as f:# 读取整行并按分号分割cookie_line = f.read().strip()for cookie in cookie_line.split(';'):key, value = cookie.strip().split('=', 1)  # 分割键和值cookies[key] = valuereturn cookiesdef parse(self, response):# 解析 JSON 数据data = json.loads(response.text)# 检查 'statuses' 是否存在if 'statuses' in data:statuses = data['statuses']for status in statuses:mid = status.get('mid')  # 获取 mid 值if mid:  # 如果 mid 不为空self.log(mid)  # 打印 mid 值screen_name = status.get('user').get('screen_name')if screen_name:self.log(screen_name)status_count = len(statuses)  # 当前请求中的状态数量self.total_status_count += status_count  # 累加总状态数量self.log(f'总共爬取: {self.total_status_count}')  # 记录当前请求的状态数量else:self.log("No statuses found in the response.")

在与scrapy.cfg同级目录新增一个cookies.txt，把浏览器里面的cookies直接粘贴进去(并不需要登录微博）：

SUB=_2AkMRj066f8NxqwFRmf0TzGrkbI5yzA_EieKn079hJRMxHRl-yT9yqnEOtRB6Og9gVYRlK8MjyNQS8SoFk1YpK2-AQy9y; SUBP=0033WrSXqPxfM72-Ws9jqgMF55529P9D9WFgPmLBUsy6MwsMC5xnJgRR; XSRF-TOKEN=izuNFQukjrNwDKLkHMPEzOzg; WBPSESS=Av_uyMf5J_yRg2sn7ncLQTeiuJdSBhgltfM3mRx0MxWwamUSH7h4GvtzB0GGitRMjUKnTWeiDcCehmYUuP91JYDPKmR5nREclKR8dN5CqqPRIVVOrSM8MeotWgLhMj4ZKpRmWZp_c0ZUOq1_89nkTf6YXHjfXOTV1W07ZchOugw=

测试了一下，总共可以爬取220条数据

4 小结

4.1 cookies

读取这个接口必须cookies，本文系统cookies可以从浏览器里获取，然后粘贴到cookies.txt里，爬虫会读取这个文件内容加到scrapy.Request中。

4.2 能否爬取能多？

是可以的，登录微博后再取的cookies可以爬取更多，不过测试下来，后面页数会有重复数据出现，具体的机制还不清楚。

anyway, 这个系列才刚开始，各位读者先收藏一波，多谢。