该项目分为2个分支,以满足不同的需要
分支 | 特点 | 抓取量 |
---|---|---|
master | 单账号,单IP,单机器 | 十万级 |
senior | 账号池,IP池,Docker分布式 | 数亿级(理论无上限) |
- 用户信息抓取
- 用户微博抓取
- 用户社交关系抓取(粉丝/关注)
- 微博评论抓取
- 基于关键词和时间段(粒度到小时)的微博抓取
- 微博转发抓取
项目基于weibo.cn站点抓取,抓取的字段非常丰富。具体请移步:数据字段说明
本项目Python版本为Python3.6
git clone [email protected]:nghuyong/WeiboSpider.git --depth 1 --no-single-branch
cd WeiboSpider
pip install -r requirements.txt
除此之外,还需要安装mongodb.
登陆账号,打开浏览器的开发者模式,再次刷新
复制weibo.cn这个数据包,network中的cookie值
将weibospider/settings.py
中:
DEFAULT_REQUEST_HEADERS = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.13; rv:61.0) Gecko/20100101 Firefox/61.0',
'Cookie':'SCF=AlvwCT3ltiVc36wsKpuvTV8uWF4V1tZ17ms9t-bZCAuiVJKpCsgvvmSdylNE6_4GbqwA_MWvxNgoc0Ks-qbZStc.; OUTFOX_SEARCH_USER_ID_NCOO=1258151803.428431; SUB=_2A25zjTjHDeRhGeBN6VUX9SvEzT-IHXVQjliPrDV6PUJbkdANLUvskW1NRJ24IEPNKfRaplNknl957NryzKEwBmhJ; SUHB=0ftpSdul-YZaMk; _T_WM=76982927613'
}
Cookie字段替换成你自己的Cookie
如果爬虫运行出现403/302,说明账号被封/cookie失效,请重新替换cookie
重写fetch_proxy方法,该方法需要返回一个代理ip
可根据自己实际需要重写./weibospider/spiders/*
中的start_requests
函数
cd weibospider
python run_spider.py user
python run_spider.py fan
python run_spider.py follow
python run_spider.py comment
在./weibospider/spiders/tweet.py
中start_requests
,urls选择init_url_by_user_id()
python run_spider.py tweet
在./weibospider/spiders/tweet.py
中start_requests
,urls选择init_url_by_keywords()
python run_spider.py tweet
python run_spider.py repost
基于该项目已经构建千万级别的微博活跃用户数据集,以及海量的微博舆情数据集,现已公开weibo-public-opinion-datasets
如果您在使用该项目中有任何问题,均可以开issue进行讨论
如果您在社交媒体计算/舆情分析等领域上有好的idea,欢迎一起交流合作: [email protected]