大家好,本月第一次更新。
最近找了一份关于爬虫的实习工作,需要爬取较大量的数据,这时就发现通过自己编写函数来实现爬虫效率太慢了;于是又转回来用scrapy,以前稍微学习了一下,这次刚好爬爬微博练练手,而后再使用部分数据生成词云。
本次爬取的是新浪微博移动端(https://m.weibo.cn/),爬取的数据是用户微博首页的第一条微博(如下图),包括文字内容、转发量、评论数、点赞数和发布时间,还有用户名和其所在地区(后面可以分析不同地区微博用户的关心的热点话题)。
一、分析网页
- 获取用户微博入口url
浏览发现使用的是使用Ajax渲染的网页,微博数据(https://m.weibo.cn/api/container/getIndex?containerid=102803_ctg1_5088_-_ctg1_5088&openApp=0&since_id=1)存储在json格式网页中,所以思路是先通过微博数据得到用户url(如下图),再来爬取后续内容。
- 获取第一条微博数据
也是使用了Ajax渲染的网页,跟上面一样找到网页入口就行了。请求网址如下:
这样看网址的话毫无规律可言,简化后发现 https://m.weibo.cn/api/container/getIndex?containerid=1076032554757470就可以进入。而且containerid=107603(***)这里,括号里的数字刚好是用户的id号,因此我们可以通过这个来构造网页。
- 获取用户所在地区
用户所在地在其基本资料中,如下图
地址为:
同样进行简化得到:https://m.weibo.cn/api/container/getIndex?containerid=230283(***)_-_INFO其中括号里面是用户id号。
通过以上分析可知,获取用户的 id 号是本次爬取数据的关键,只需要用 id 构成网址,后面的爬取就相对简单了。下面是编程部分。
二、编程爬取
注:转载代码请标明出处
- 首先通过命令行创建 scrapy 爬虫。
scrapy startproject sinaweibo
scrapy genspider xxx(爬虫名) xxx(所在域名)
- items.py定义爬虫字段
import scrapy class SinaweiboItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() name = scrapy.Field() #用户名 first_news = scrapy.Field() #首条微博 dates = scrapy.Field() #发布时间 zhuanzai = scrapy.Field() #转载数 comment = scrapy.Field() #评论数 agree = scrapy.Field() #点赞数 city = scrapy.Field() #所在地区
- 编写爬取代码
1 # -*- coding: utf-8 -*- 2 import scrapy 3 from sinaweibo.items import SinaweiboItem 4 import json 5 import re 6 import copy 7 8 9 class WeibodiyuSpider(scrapy.Spider): 10 name = \'weibodiyu\' #爬虫名 11 allowed_domains = [\'m.weibo.cn\'] #只在该域名内爬取 12 start_urls = [\'https://m.weibo.cn/api/container/getIndex?containerid=102803_ctg1_4188_-_ctg1_4188&openApp=0&since_id=1\' 13 ] 14 15 def parse1(self, response): 16 infos = json.loads(response.body) #将内容转为json对象 17 item = response.meta[\'item\'] #利用meta方法传入item 18 city = response.meta[\'city\'] #传入城市 19 try: 20 name = infos[\"data\"][\"cards\"][0][\"mblog\"][\"user\"][\"screen_name\"] #爬取名字 21 first_news = re.findall(\'([\\u4e00-\\u9fa5]+)\', str(infos[\"data\"][\"cards\"][0][\"mblog\"][\"text\"]), re.S) #爬取微博内容,使用正则去除一些杂项如网页代码 22 dates = infos[\"data\"][\"cards\"][0][\"mblog\"][\"created_at\"] #发布时间 23 zhuanzai = infos[\"data\"][\"cards\"][0][\"mblog\"][\"reposts_count\"] #转载数 24 comment = infos[\"data\"][\"cards\"][0][\"mblog\"][\"comments_count\"] #评论数 25 agree = infos[\"data\"][\"cards\"][0][\"mblog\"][\"attitudes_count\"] #点赞数 26 #将数据赋给item 27 item[\'name\'] = name 28 item[\'first_news\'] = first_news 29 item[\'dates\'] = dates 30 item[\'zhuanzai\'] = zhuanzai 31 item[\'comment\'] = comment 32 item[\'agree\'] = agree 33 item[\'city\'] = city 34 return item #返回 35 except IndexError or KeyError: 36 pass 37 38 def parse2(self, response): #获取所在地区函数 39 infos = json.loads(response.body) 40 try: 41 item = response.meta[\'item\'] #传入item 42 city_cont = str(infos[\"data\"][\"cards\"][1][\"card_group\"]) 43 city = re.findall(\'card_type.*?所在地.*?item.*?:(.*?)}]\', city_cont, re.S)[0].replace(\'\\\'\', \'\').replace( 44 \' \', \'\') #城市 45 item[\'city\'] = city 46 ids = response.meta[\'ids\'] #传入id并赋给ids变量 47 n_url1 = \'https://m.weibo.cn/api/container/getIndex?&containerid=107603\' + ids 48 yield scrapy.Request(n_url1, meta={\'item\': item, \'city\': copy.deepcopy(city)}, callback=self.parse1) #执行完上述命令后的步骤 49 except IndexError or KeyError: 50 pass 51 52 def parse(self, response): 53 datas = json.loads(response.body) 54 item = SinaweiboItem() 55 for i in range(0, 20): 56 try: 57 ids = str(datas[\"data\"][\"cards\"][i][\"mblog\"][\"user\"][\"id\"]) #获取用户id 58 n_url2 = \'https://m.weibo.cn/api/container/getIndex?containerid=230283{}_-_INFO\'.format(ids) 59 yield scrapy.Request(n_url2, meta={\'item\': item, \'ids\': copy.deepcopy(ids)}, callback=self.parse2) #进入parse2函数执行命令 60 except IndexError or KeyError: 61 pass 62 social_urls = [ 63 \'https://m.weibo.cn/api/container/getIndex?containerid=102803_ctg1_4188_-_ctg1_4188&openApp=0&since_id={}\'.format( 64 str(i)) for i in range(2, 100)] 65 celebritys_urls = [ 66 \'https://m.weibo.cn/api/container/getIndex?containerid=102803_ctg1_4288_-_ctg1_4288&openApp=0&since_id={}\'.format( 67 str(j)) for j in range(1, 100)] 68 hots_urls = [\'https://m.weibo.cn/api/container/getIndex?containerid=102803&openApp=0&since_id={}\'.format(str(t)) 69 for 70 t in range(1, 100)] 71 urls = celebritys_urls + social_urls + hots_urls #入口网址 72 for url in urls: 73 yield scrapy.Request(url, callback=self.parse)
这里要注意 scrpay.Request 函数的meta参数,它是一个字典,用来进行参数传递,如上面代码所示,我想在parse2()函数中用到parse()函数中爬取的用户id,就需要进行设置,这里就不过多解释了,其实我也是处于摸着石头过河的理解程度,想深入了解的朋友可自行百度。
- 在setting.py配置爬虫
这次我只将内容导出到了csv文件中,方便后续筛选制作词云,如果爬取的数据较多的话,可以存储到数据库中。
1 BOT_NAME = \'sinaweibo\' 2 3 SPIDER_MODULES = [\'sinaweibo.spiders\'] 4 NEWSPIDER_MODULE = \'sinaweibo.spiders\' 5 6 USER_AGENT: \'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36\' #消息头 7 DOWNLOAD_DELAY = 0.5 #延时0.5s 8 # Crawl responsibly by identifying yourself (and your website) on the user-agent 9 #USER_AGENT = \'sinaweibo (+http://www.yourdomain.com)\' 10 FEED_URI = \'file:C:/Users/lenovo/Desktop/weibo.csv\' #存入文件位置 11 FEED_FORMAT = \'csv\' #保存格式 12 ITEM_PIPELINES= {\'sinaweibo.pipelines.SinaweiboPipeline\': 300} #管道设置 13 # Obey robots.txt rules 14 ROBOTSTXT_OBEY = False 15 FEED_EXPORT_ENCODING = \'UTF8\' #编码格式
本次没有下载图片及其他内容了,因此pipelines.py文件就没有编写内容了。爬取的部分数据如下:
到这里爬虫部分就结束了,本次爬取的内容也较为简单,下面的话就是使用其中的部分数据来生成词云。
- 词云制作
在文件中新建了一个 weibo_analysis.py 的文件,使用jieba库来进行分词,在此之前,需要先将所需数据提取出来,这里使用pandas就可以。
这部分程序很简单,就不废话了,直接上代码:
1 import csv 2 import pandas as pd 3 import jieba.analyse 4 5 6 def get_ciyun(city): #进行分词 7 tags=jieba.analyse.extract_tags(str(city),topK=100,withWeight=True) 8 for item in tags: 9 print(item[0]+\'\\t\'+str(int(item[1]*1000))) 10 11 12 need_citys = [\'北京\', \'上海\', \'湖南\', \'四川\', \'广东\'] 13 beijing = [] 14 shanghai = [] 15 hunan = [] 16 sichuan = [] 17 gd = [] 18 pd.set_option(\'expand_frame_repr\', True) #可换行显示 19 pd.set_option(\'display.max_rows\', None) #显示所有行 20 pd.set_option(\'display.max_columns\', None) #显示所有列 21 df = pd.read_csv(\'C:\\\\Users\\lenovo\\Desktop\\weibo.csv\') #读取文件内容并转化为dataframes对象 22 23 contents = df[\'first_news\'] #取微博内容 24 city = df[\'city\'] #取城市 25 for i in range(len(city)): 26 if need_citys[0] in city[i]: #判断并存入 27 beijing.append(contents[i]) 28 elif need_citys[1] in city[i]: 29 shanghai.append(contents[i]) 30 elif need_citys[2] in city[i]: 31 hunan.append(contents[i]) 32 elif need_citys[3] in city[i]: 33 sichuan.append(contents[i]) 34 elif need_citys[4] in city[i]: 35 gd.append(contents[i]) 36 else: 37 pass 38 39 #输出 40 get_ciyun(beijing) 41 print(\'-\'*20) 42 get_ciyun(shanghai) 43 print(\'-\'*20) 44 get_ciyun(hunan) 45 print(\'-\'*20) 46 get_ciyun(sichuan) 47 print(\'-\'*20) 48 get_ciyun(gd)
本次是通过Tagul网站在制作词云,将上方输出的词频导入,选择好词云形状、字体(不支持中文可自行导入中文字体包)、颜色等点击可视化就能生成了,非常方便。
下面是我本次生成的词云图片:
使用scrapy进行爬虫确实能大大提高爬取效率,同时本次使用过程中也发现了许多的问题,如对这个框架不够深入,还有很多方法不会用、不知道,还有就是Python本身的面向对象的知识理解的也不够,需要继续学习。这也说明了自己还只是一枚菜鸟。
若有疑问或建议,欢迎提出指正。