用python爬微博数据_怎样用python爬新浪微博大V所有数据？

最近为了做事件分析写了一些微博的爬虫，两个大V总共爬了超70W的微博数据。

官方提供的api有爬取数量上限2000，想爬取的数据大了就不够用了...

果断撸起袖子自己动手！先简单说一下我的思路：

一、目标选择

在确定爬取对象时，在移动端展示的数据可以满足的情况下，优先选择移动端。难度要低很多。

二、分析目标网站

在开始构造爬虫前，需要先了解目标网站的结构和数据传输方式。

拿本次爬取对象举例：

在开发者模式下可以找到构造页面内容的包，Request URL是页面数据api接口，滚动加载几页后即可发现规律。

在此 page = 2控制了滚动的页码数，可通过构造页面链接爬取微博大V所有的微博数据。

Content-Type：application/json; charset=utf-8 标明了页面数据是通过json返回的，编码类型为utf-8。

然后分析json包，里面包含了很多数据集，找你需要的就好：

其中的id 为构造某一条微博评论链接的关键数据，如果想爬具体某条微博下的评论数据需要用id的值来构造评论页链接。正常可感知的数据：微博内容、评论数、点赞数、分享数、发布时间和来源都是可以直接获取的。

页面分析的差不多了，可以开始构造微博爬虫了。

三、模拟浏览器请求

正常爬取微博时需要先登录，这里可以使用post请求将账号和密码传入的方式实现。也可以直接在浏览器内登录后使用登录后的api链接构造请求头，然后使用get方式请求即可。

本次按照第二种方式实现。在模拟请求头时，只需构造'User-Agent'和'Referer'这两组信息就行。

header=({'User-Agent': '在你的浏览器开发模式下获取此信息',

'Referer': '在你的浏览器开发模式下获取此信息',

})

这两组信息都可以在该页面的开发者模式下获取到：

(涉及到个人信息我涂掉了...)

构造完请求头，使用requests库进行模拟请求，请求成功网站服务器识别到模拟的浏览器请求会返回网站的json数据，然后通过python的json库来解析它。

到目前为止的代码为：

# _*_ coding:utf-8 _*_ #声明程序的编写字符

import requests #导入requests库

import json #导入json库

def get_data(url):

for a in range (0,560): #通过不断传入参数a来构造链接页码

url = '上面获取到的页面链接'+str(a)

header=({'User-Agent': '在你的浏览器开发模式下获取此信息',

'Referer': '在你的浏览器开发模式下获取此信息'})

data = requests.get(url,headers=header,timeout=10) #通过requests的get方法请求

data = json.loads(data.text) #解析json数据

四、数据清洗

json数据拿到后，需要对数据进行清洗，筛选出想要的字段信息。

再次分析json返回的数据，所有的微博内容都放在字典data下的['cards']中，按层级关系取出来就可以了。

每一页会返回10条微博内容，在每一页的['cards']中将其依次取出：

for i in range(0,10):

text = data['data']['cards'][i]['mblog']['text'].strip() #爬取每一页的所有微博内容

其他数据按照上面讲述的方式依次取就可以了，这里就不赘述了。

将爬取到的数据写入数据库：

如果想要爬取每一条微博下的所有评论内容，则需要先将评论链接构造出来，然后依次请求这些链接，后面的思路跟爬取微博内容类似。

本次爬取的数据分析结论首发在我的公众号：产品汪生存指南

刚刚起步，急需各种关爱~！o(*￣▽￣*)ブ ~~

欢迎关注，一起学习一起成长。