微博爬虫 Github 地址是 https://github.com/Python3Spiders/WeiboSuperSpider ,请不要利用该爬虫项目获得的数据作任何违法用途。
微博爬虫主要有两个导向,一个是微博内容的爬虫,其目的字段包括微博文本、发布者、转发/评论/点赞数等,另一个是微博评论的爬虫,其目的字段主要是评论文本和评论者。
微博的爬虫的目的网站主要有四个,pc 站weibo.com
、weibo.cn
以及对应的 m(mobile) 站 m.weibo.com
(无法在电脑上浏览)、m.weibo.cn
,总得来说,.cn
比 .com
更简单 UI 更丑,m 站比 pc 站更简单 UI 更丑。
仓库的目录如下图所示,主要是分两部分 GUI 功能集中版
和 无 GUI 功能独立版
,GUI 即 Graph User Interface(图形用户接口)。
最开始只有 GUI 功能集中版
这一部分,主代码是 GUI.py 和 WeiboCommentScrapy.py。
GUI.py 包括爬虫逻辑和 GUI 界面,是基于 PyQt5 构建的,爬虫部分由三个类 WeiboSearchScrapy、WeiboUserScrapy、WeiboTopicScrapy,他们的目标站点都是 weibo.cn
,都继承自线程类 Thread。
GUI.Py 里面实现的是用户/话题爬虫,即爬取指定用户/话题下的微博,当我们在界面点击提交了一个抓取任务,就会开启对应的线程类爬虫,抓取完毕通过该类和主界面之间的信号提示抓取完成。
GUI.py 运行效果图如下:
无论是微博用户,还是话题爬虫,都有 50 页左右的限制。
爬取了微博之后,我们可以使用 WeiboCommentScrapy.py 爬取指定微博的评论,怎么指定,参考下图
注意 weibo.cn
站微博的 id 是类似 IjEDU1q3w
这种格式,和后面的 m.weibo.cn
的微博 id 格式不同(它的纯数字,比较长),该评论爬虫只能爬取前 100 页的。
微博用户/话题/评论 爬虫的数据依次保存在 user/topic/comment 文件夹下的 csv 文件中。
20200313 实测 GUI 功能集中版的代码仍可用,exe 失效了,因为代码每更新一次就要打包、发布一次 exe,比较麻烦,我就没更新 exe 了(公众号后台的 exe 是第一版代码打包了,现在第三版了)
注意 GUI 功能集中版均是针对 weibo.cn
的,也就是界面最丑的那个站,不要把 weibo.com
或者 m.weibo.cn
的 cookie 放到这来,否则会出现以下错误:
encoding error : input conversion failed due to input error, bytes 0xC3 0x87 0xC3 0x82
encoding error : input conversion failed due to input error, bytes 0xC3 0x87 0xC3 0x82
encoding error : input conversion failed due to input error, bytes 0xC3 0x87 0xC3 0x82
I/O error : encoder error
encoding error : input conversion failed due to input error, bytes 0xC3 0x87 0xC3 0x82
encoding error : input conversion failed due to input error, bytes 0xC3 0x87 0xC3 0x82
encoding error : input conversion failed due to input error, bytes 0xC3 0x87 0xC3 0x82
I/O error : encoder error
同时,如果出现了诸如PermissionError: [Errno 13] Permission denied: 'comment/IaYZIu0Ko.csv
之类的错误,则是因为你在 excel 中打开了 这个 csv 文件,同时程序还在继续向这个文件追加写,获取不到锁因而报错,如果想一边跑一边查看文件内容,可以用 Pycharm 的 CSV Plugin 插件。
该文件下有三个文件 WeiboCommentScrapy.py、WeiboTopicScrapy.py、WeiboSuperCommentScrapy.py,前面两个都还是针对 weibo.cn
的,WeiboTopicScrapy.py 作了相应的升级,可以支持时间跨度搜索,比如之前假如这个话题有 1000 页,我们最多只能爬取 130 页,但是可能把这 1000 页按照时间段拆分,每个时间段(Year-Month-Day,不支持小时及以下时间颗粒度)无论长短,都最多能获取 130 页。
而 WeiboSuperCommentScrapy.py 则是针对 m.weibo.cn
的,这个评论爬虫没有 100 页的限制,该文件运行可以不自己设置 cookie,可以通过账号登录自动获取 cookie,这一步是学习的一位简书博主的文章(https://www.jianshu.com/p/8dc04794e35f),否则需要我们自己去填 cookie 了,我一条微博拿到了几w+的评论,但是有的只能拿到几b几k(实际评论几w+),这点很迷。欢迎大家尝试,有问题请留言。