利用新浪API实现数据的抓取\微博数据爬取\微博爬虫

本人长期出售超大量微博数据、旅游网站评论数据，并提供各种指定数据爬取服务，Message to YuboonaZhang@Yahoo.com。同时欢迎加入社交媒体数据交流群：99918768

利用新浪API实现数据的抓取(2018.4.2 更新)

2018.4.2 说明

注意：这两天有人给我反映，说爬到的数据都是重复的，而且不能再一直爬了，可能是因为新浪微博api改了，对api研究并不深入，当初只是做的玩一下，并没有很多时间取研究这个了，希望可以抛砖引玉，小伙伴们解决了这个问题也可以跟我说，大家一起进步

1.　首先来看看最后我们得到的是什么结果，是不是你想要了解的东西，再决定是否往下读。　

我主要抓取了大概4天的数据，图上可以看的出来大概有360万条数据，由于是在自己的电脑上爬取做数据的，有时候晚上断网了就间断了，所以大概一天可以爬取有100万左右的最新微博数据（因为我调用的是最新的微博API　public_timeline)

API文档当中定义了很多返回的类型（以json数据格式返回，我选取了一些我认为重要的信息抓取下来如图所示:　大概有id号，所在位置，粉丝数，发的微博内容，发微博的时间等等。　当然这些数据都可以根据自己的需要进行定制。)

大概就是这些内容，你如果认为这对你有点帮助，就请继续读下去… 第一次写博客有些啰嗦

2.　前期准备

我们需要的东西：

数据库:　mongodb（可以使用客户端MongoBooster)

开发环境：　Python2.7(我用的IDE是Pycharm)

一个新浪开发者账号：　用自己的新浪微博账号注册就行（后面会讲）

需要的库：　sinaweibopy和pymongo(这些都可以在Pycharm中下载)

2.1　mongodb的安装

MongoDB是一个高性能，开源，无模式的文档型数据库，是当前NoSql数据库中比较热门的一种。它在许多场景下可用于替代传统的关系型数据库或键/值存储方式。Mongo使用C++开发。Mongo的官方网站地址是：http://www.mongodb.org/，读者可以在此获得更详细的信息。

小插曲：什么是NoSql?

　　NoSql，全称是 Not Only Sql,指的是非关系型的数据库。下一代数据库主要解决几个要点：非关系型的、分布式的、开源的、水平可扩展的。原始的目的是为了大规模web应用，这场运动开始于2009年初，通常特性应用如：模式自由、支持简易复制、简单的API、最终的一致性（非ACID）、大容量数据等。NoSQL被我们用得最多的当数key-value存储，当然还有其他的文档型的、列存储、图型数据库、xml数据库等。

网上有很多安装mongodb教程我就不写了

Windows下mongodb的安装

Linux下mongodb的安装

2.2　新浪开发者账号的注册方法

注册新浪微博账号（163邮箱、手机号）



　　* 创建完毕需要填写手机号验证 *

进入新浪开放者平台：http://open.weibo.com/







点击继续创建

初次创建应用需要填写如下信息：



此页面信息不需要填写真实信息，如地区，电话，可随意填写。网站填https://www.baidu.com/即可。(邮箱要真实)

继续创建应用。应用名称自定义，平台如下勾选 ios 、andrioid



创建完毕直接返回继续创建，一个账号可以创建10个应用，每个应用对应一个access-token(事实上我只用了一个就可以满足需求)

前往API测试平台





依次选取创建的应用。点

将下方的token用txt保存即可。

获取key

回到



点击我的应用

然后选择自己刚刚创建的应用



进入之后点击应用信息



保存下　APP Key 和　APP Secret

点击高级信息

设置回调网址



可以设置成默认的

http://api.weibo.com/oauth2/default.html

至此你的开发者账号就已经完成了

2.3　依赖库的安装方法

sinaweibopy和pymongo的安装

可以直接用pip安装

pip install requests　和　pip install pymongo

也可以在Pycharm里面直接安装

选择File -> Settings -> Project -> Project Interpreter

可以看到自己安装的Python库，点击右边的绿色*　＋　* 号

安装即可

3.　分析问题　

3.1 OAuth 认证

* 授权机制说明（很重要）*

网上很多讲利用新浪微博API发送微博什么的都是使用的请求用户授权Token这种方式，但是这种方式显然不适用于我们爬取数据，因为每次都要请求，每次都要重新获取code。具体可参考新浪微博API的授权机制

廖雪峰老师(sinaweibopy 的贡献者）也对这个授权机制有一个说明

通过新浪微博的API接入网站，由于用户无需在您的网站上注册，就可以直接?使用他／她在新浪微博的帐号和口令登录您的网站，这就需要确保您的网站在无需知道，也不能知道用户口令的情况下确认用户已经登录成功。由于用户的口令存储在新浪微博，因此，认证用户的过程只能由新浪微博完成，但新浪微博如何与您的网站通信并告知您用户是否登录成功呢？这个过程称之为第三方登录，OAuth是一个标准的第三方登录协议，借助OAuth，您的网站就可以安全地接入来自新浪微博登录成功的用户。

OAuth目前主要有1.0和2.0两个版本，2.0版对1.0版做了大量简化，API也更简单。新浪微博最新的API也是采用的OAuth 2.0，整个登录流程如下：

用户在您的网站上点击“使用新浪微博登录”，您的网站将用户重定向到新浪微博的OAuth认证页，重定向链接中包含client_id参数作为您的网站ID，redirect_uri参数告诉新浪微博当用户登录成功后，将浏览器重定向到您的网站；

用户在新浪微博的认证页输入帐号和口令；

新浪微博认证成功后，将浏览器重定向到您的网站，并附上code参数；

您的网站通过code参数向新浪微博请求用户的access token；

您的网站拿到用户的access token后，用户登录完成。

OAuth的access token是提供认证服务的网站（例如新浪微博）生成的令牌，代表一个用户认证信息。在随后的API调用中，传入该access token就代表这个登录用户，这样，通过OAuth协议，您的网站将验证用户的步骤交给新浪微博完成，并由新浪微博告知您用户是否登录成功。

OAuth的安全性是通过步骤4完成的，通过code参数获取access token的过程是您的网站后台到新浪微博网站完成的，用户无法看到获取access token的HTTP请求。如果用户传入伪造的code，则新浪微博会返回一个错误。

具体内容请看廖雪峰老师的文档

大致上来说按照一般的请求用户授权Token调用会出现这种情况：



获取code



登陆后会调转到一个连接https://api.weibo.com/oauth2/default.html?code=××××××××　

我们所需要的就是code=××××××××××　的值

也就是说，每当你调用一次API认证在浏览器中都会出现一个code,这样显然不利于我们去爬取网站　

怎么解决问题呢？首先我们想到的自然是在Python程序里面模拟登录新浪微博，然后自然可以获取到code的值，但是，模拟新浪微博登录相对来说比较复杂，而且既然都模拟登录成功了，为啥还要调用API呢…直接自定义进行抓取不是更加方便。

如果看了上面的那个授权机制，就应该想到。这个时候就需要我们之前申请的access-token了

access-token 根据我的理解就是把你的微博授权给了第三方让他帮你做一些事情，类似于在你的手机端通过新浪微博来登录然后进行操作(利用上面授权机制里面讲的一句话来说就是)移动端应用可直接使用官方移动SDK，通过呼起微博客户端（未安装微博客户端的会呼起H5授权页）方式授权

这个界面你应该很熟悉



新浪也给出了说明Oauth2/access token

４.　代码实现　

有了token之后，实现抓取数据就十分简单了

能抓取数据的多少就取决于你的token权限了

接下来就是利用API来获取数据了：新建一个文件weibo_run.py

# -*- coding:utf-8 -*-

import requests
from pymongo import MongoClient

ACCESS_TOKEN = '2.00GrlpNEwp7azCa0cf771a73RorfEE'
url = 'https://api.weibo.com/2/statuses/public_timeline.json

def run():
#授权

while True:
#调用statuses__public_timeline的api接口
params = {
'access_token': TOKEN
}

statuses = requests.get(url=url, params=params)['statuses']
length = len(statuses)
#这是后来我为了查看获取微博条数设置的
print length

#连接mongodb,不需要本地的额外配置
Monclient = MongoClient('localhost', 27017)
db = Monclient['Weibo']
WeiboData = db['HadSelected']

#获取的各个数据名应该可以清楚的看出来对应的是什么数据
for i in range(0, length):
created_at = statuses[i]['created_at']
id = statuses[i]['user']['id']
province = statuses[i]['user']['province']
city = statuses[i]['user']['city']
followers_count = statuses[i]['user']['followers_count']
friends_count = statuses[i]['user']['friends_count']
statuses_count = statuses[i]['user']['statuses_count']
url = statuses[i]['user']['url']
geo = statuses[i]['geo']
comments_count = statuses[i]['comments_count']
reposts_count = statuses[i]['reposts_count']
nickname = statuses[i]['user']['screen_name']
desc = statuses[i]['user']['description']
location = statuses[i]['user']['location']
text = statuses[i]['text']

#插入mongodb
WeiboData.insert_one({
'created_at': created_at,
'id': id,
'nickname': nickname,
'text': text,
'province': province,
'location': location,
'description': desc,
'city': city,
'followers_count': followers_count,
'friends_count': friends_count,
'statuses_count': statuses_count,
'url': url,
'geo': geo,
'comments_count': comments_count,
'reposts_count': reposts_count
})

if __name__ == "__main__":
run()

刚开始我的代码是这样的，看起来已经完成了。

但是，因为新浪会限制你的调用次数，后来我试了一下重新运行,结果发现了一个问题，我之前的print length 出来的每行获取值都不一样，总是在１６－２０之间徘徊，这说明了我每次重新运行获取的数据都不一样.然后我想算了，干脆写个死循环看他什么时候再被封吧。于是代码就变成了下面这样

把run()删除，换成下面这个死循环。

if __name__ == "__main__":
while 1:
　try:
　run()
except:
pass

结果他就一直运行下去了…运行了四天还没有被封，估计是封不了了…

其他接口也是一样使用，只用改变url和params就行，具体参数参照新浪微博API文档

开始我发现一天可以获取800万的数据，把我给乐的…后来发现好多好多重复的数据。最后找了半天的解决方案，在mongodb中根据用户的id和创建的时间这两点建立索引(因为一个人不可能在同一时刻发送两条微博),最后没有重复数据大概一天可以获取100万条左右的信息。

请我喝杯咖啡

如果觉得十分感谢我的内容，可以请我喝杯咖啡～

支付宝：



or微信:

个人博客

8aoy1.cn