一个爬取用户所有微博的爬虫，还能断网续爬那种

月小水长

发布于 2020-08-18 16:05:32

5970

发布于 2020-08-18 16:05:32

熟悉这个微博超级话题爬虫系列的都知道，我已经停止对有GUI功能集中版本的维护了，集中精力维护无GUI版本功能独立版本的开发和维护，并且保证每个功能都是最小可用产品且互不干扰。但是功能独立版本一直有个历史遗留问题：没有将集中版本中爬取每个用户的所有微博的功能独立出来，刚好今天有空，我也觉得是时候写点东西了，于是就有了这篇文章。

整体的剥离过程来算比较轻松，因为功能集中版本每个功能都有一个相对独立的类，这个用户微博爬虫就是一个 WeiboUserScrapy 类，只不过在集中版本中为了和其他功能模块进行通信和协调，引进了 PyQT5 的信号量，以及一些公共配置变量，独立时将这些东西去掉即可。

代码的地址放在文末阅读原文，拿到代码后，你需要做的两件事依次是：

更换代码中的 Cookie
把 user_id 改成你想要爬取的用户 id（是纯数字）

然后运行代码即可，不一会儿你就能在项目的根目录下的 user 文件夹看到诸如{user_id}_{nickname}_{weibo_num}博_{followers}粉_{following}关注.csv' 格式的文件，爬取的微博都保存在这里。

按道理，这篇文章到此就可以收尾了。但是想了想，想到老铁们可能有这样的问题：某个博主有 4w 条微博，爬了 2w 条突然断网了或者 Cookie 过期了，难道要重新爬？

作为良心博主，当然要加一个断点续爬的功能，其实实现起来也不难，每次写 csv 的时候同时将翻页参数 page 保存并更新到一个配置文件中即可，核心代码如下：

user_page_config = 'user_page.json'
if not os.path.exists('user_page.json'):
    page = 1
    with open(user_page_config,'w', encoding='utf-8-sig') as f:
        f.write(json.dumps({f'{self.user_id}':page}, indent=2))
else:
    with open(user_page_config,'r', encoding='utf-8-sig') as f:
        page = json.loads(f.read())[f'{self.user_id}']

random_pages = random.randint(1, 5)
for page in range(page, page_num + 1):
    self.get_one_page(page)  # 获取第page页的全部微博

    with open(user_page_config,'r', encoding='utf-8-sig') as f:
        old_data = json.loads(f.read())
        old_data[f'{self.user_id}'] = page

    with open(user_page_config,'w', encoding='utf-8-sig') as f:
        f.write(json.dumps(old_data, indent=2))

这样，就能右键运行代码，开开心心做其他事去，不用每时每刻盯着代码。

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2020-08-12，如有侵权请联系 cloudcommunity@tencent.com 删除

gui