[Python 爬虫] 使用 Scrapy 爬取新浪微博用户信息（二） —— 编写一个基本的 Spider 爬取微博用户信息_爬取新浪微博内容及用户信息

上一篇：[Python 爬虫] 使用 Scrapy 爬取新浪微博用户信息（一） —— 新建爬虫项目

在上一篇我们新建了一个 sina_scrapy 的项目，这一节我们开始正式编写爬虫的代码。

选择目标网站

目前，新浪微博主要有三个域名，分别是：微博简化版（https://weibo.cn）、微博移动端（https://m.weibo.cn）、微博PC网页端（https://weibo.com/）反爬的技术也是逐渐加强。从上文我们创建 Spider 所填写的域名也可以看出，我们选用的是微博简化版（https://weibo.cn）作为爬取对象。

 

 

 

编写数据模型（Items）

我们首先明确需要获得微博用户哪些信息。我们在访问每一位用户的主页的时候 URL 上都由域名+"u"+一串数字组成，类似：https://weibo.cn/u/1809054937，而且每个用户主页URL后面那串数字都不一样，通过分析网页源码也能看到这串数字在很多关键位置都有出现，于是可以推断，这串数字就是微博用户的ID。当然，有些认证的名人主页 URL 后面跟随的不是用户ID，但是依然能从网页源码中得到用户ID，如下图：

从上图中我们能够得到的用户信息包括：用户Id、用户昵称、认证信息、简介、微博数、关注数、粉丝数等，然后我们继续点开资料，能够进一步获得更详细的信息，包括：昵称、认证、性别、地区、认证信息、简介（其他还有工作信息、教育信息等，这里不考虑）。当然，这些信息并非所有用户都有，毕竟不是每个人都会仔细填写这些资料信息的。

经过整理，我们决定爬取如下表列出的数据：

上一篇我们提到 Items 文件主要用来定义要爬取的数据模型，接下来我们就按照上面的数据字典来编写 Item，在 items 文件下编写 SinaUserItem 类，继承 scrapy.Item，代码如下：

 
import scrapy
 
 
class SinaUserItem(scrapy.Item):
    # 微博用户唯一标识
    user_id = scrapy.Field()
    # 用户昵称
    username = scrapy.Field()
    # 微博数量
    webo_num = scrapy.Field()
    # 关注人数
    follow_num = scrapy.Field()
    # 粉丝人数
    fans_num = scrapy.Field()
    # 性别
    gender = scrapy.Field()
    # 地区
    district = scrapy.Field()
    # 省份
    province = scrapy.Field()
    # 地市
    city = scrapy.Field()
    # 生日
    birthday = scrapy.Field()
    # 简介
    brief_intro = scrapy.Field()
    # 认证
    identify = scrapy.Field()
    # 头像 URL
    head_img = scrapy.Field()
    # 爬取时间
    crawl_time = scrapy.Field()

 

编写 Spider

在上一篇帖子中，我们在 spider 包下生成了一个爬虫应用（Spider）sina_user，代码如下。它继承了 scrapy.Spider，并为我们初始化了一些属性和方法。其中：name 是 spider 的名字，是每一个 spider 的唯一标识，allowed_domains 是一个列表类型的变量，表示爬虫允许爬取的域名范围，解析到的 request 不属于这个域名内就会被爬虫丢弃。starts_url 是爬虫开始的地址，如果不为空，第一个地址将是爬取的第一页面，也就是爬虫的入口，如果 starts_url 为空或者不填写，就必须重写父类的 start_request 方法，指定爬虫的入口。parse() 方法是爬虫的默认解析方法，用于解析 下载中间件（Downloader） 返回给 Spider 的数据。

# -*- coding: utf-8 -*-
import scrapy
 
 
class SinaUserSpider(scrapy.Spider):
    # 爬虫的名字，唯一标识
    name = 'sina_user'
    # 允许爬取的域名范围
    allowed_domains = ['weibo.cn']
    # 爬虫的起始页面url
    start_urls = ['http://weibo.cn/']
 
    def parse(self, response):
        """
        默认解析函数
        :param response:
        :return:
        """
        pass

我们开始编写一个最简单的爬虫，爬取 李沁 的微博信息，首先在浏览器打开 李沁 的微博，然后按 F12 调试窗口，打开页面源码，如下所示：

当我们抓取网页时，通常都需要分析网页源码，然后通过元素获取到数据，Scrapy提取数据有自己的一套机制，被称作选择器（Selector），当然，你也可以选择其他框架，例如：BeautifulSoup、lxml 。在这里我们采用Selector，通过右击元素，然后选择 Copy -> Copy XPath 就可以获取元素的 xpath 路径了。

在提取页面数据的时候，我们先构造一个选择器（Selector）

# 构造选择器（由于在response中使用XPath、CSS查询十分普遍，因此，Scrapy提供了两个实用的快捷方式: response.xpath() 及 response.css()，不过为了学习Selector，我们还是构造一个Selector）
selector = scrapy.Selector(response)

在微博用户首页，我们能获取到的数据有：user_id、webo_num、follow_num、fans_num。分别解析这几个数据：

# 解析微博用户 id
re_url = selector.xpath('//div[@class="tip2"]/a[4]/@href').re('uid=(\d{10})')
user_id = re_url[0] if re_url else ''
# 微博数
webo_num_re = selector.xpath('//div[@class="tip2"]').re(u'微博\[(\d+)\]')
webo_num = int(webo_num_re[0]) if webo_num_re else 0
# 关注人数
follow_num_re = selector.xpath('//div[@class="tip2"]').re(u'关注\[(\d+)\]')
follow_num = int(follow_num_re[0]) if follow_num_re else 0
# 粉丝人数
fans_num_re = selector.xpath('//div[@class="tip2"]').re(u'粉丝\[(\d+)\]')
fans_num = int(fans_num_re[0]) if fans_num_re else 0

另外，我们将提取的数据装载到数据模型中去，这里我们使用 Scrapy 提供的装载器（Loader）来构造数据模型。

# 装载器（Loader）
load = ItemLoader(item=SinaUserItem(), response=response)

页面分析完以后，我们还不能成功访问微博页面，因为我们发送的请求没有登录的身份信息，很容易被微博服务器判定为爬虫程序，然后禁止我们访问。目前只是为了熟悉爬虫的过程，我们先从浏览器复制登录的 Cookies，然后构造 Headers，来发送请求（后续会增加 IP代理池和 Cookies池），如下图，打开调试模式 Network，任意找到一个请求，点开 Headers，复制Request Headers，如下图所示：

然后在Application-》Cookies 复制以下值到我们的代码中：

SinaUserSpider的完整代码如下（已隐去 Cookies 的值）需要注意的是，装载器（Loader）只有在最后调用 load_item() 方法时才将所有数据装载到装载器，在此之前装载器中并没有 items 的数据：

# -*- coding: utf-8 -*-
import scrapy, time
from scrapy.loader import ItemLoader
from sina_scrapy.items import SinaUserItem
 
 
class SinaUserSpider(scrapy.Spider):
    # 爬虫的名字，唯一标识
    name = 'sina_user'
    # 允许爬取的域名范围
    allowed_domains = ['weibo.cn']
    # 爬虫的起始页面url
    start_urls = ['https://weibo.cn/u/1809054937']
 
    def __init__(self):
        self.headers = {
            'Referer': 'https://weibo.cn/u/1809054937',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
        }
 
        self.cookies = {
            'SCF': 'xxxxxxxxxxxxx',
            'SUB': 'xxxxxxxxxxxxx',
            'SUHB': 'xxxxxxxxxxxxxxx',
            '_T_WM': xxxxxxxxxxxxxxx
        }
 
    def start_requests(self):
        """
        构造最初 request 函数\n
        :return:
        """
        for url in self.start_urls:
            yield scrapy.Request(url=url, callback=self.base_info_parse, headers=self.headers, cookies=self.cookies)
 
    def base_info_parse(self, response):
        """
        微博用户基本信息解析函数\n
        :param response:
        :return:
        """
        # 加载器（Loader）
        load = ItemLoader(item=SinaUserItem(), response=response)
        selector = scrapy.Selector(response)
        # 解析微博用户 id
        re_url = selector.xpath('///a[contains(@href,"uid")]/@href').re('uid=(\d{10})')
        user_id = re_url[0] if re_url else ''
        load.add_value('user_id', user_id)
        # 微博数
        webo_num_re = selector.xpath('//div[@class="tip2"]').re(u'微博\[(\d+)\]')
        webo_num = int(webo_num_re[0]) if webo_num_re else 0
        load.add_value('webo_num', webo_num)
        # 关注人数
        follow_num_re = selector.xpath('//div[@class="tip2"]').re(u'关注\[(\d+)\]')
        follow_num = int(follow_num_re[0]) if follow_num_re else 0
        load.add_value('follow_num', follow_num)
        # 粉丝人数
        fans_num_re = selector.xpath('//div[@class="tip2"]').re(u'粉丝\[(\d+)\]')
        fans_num = int(fans_num_re[0]) if fans_num_re else 0
        load.add_value('fans_num', fans_num)
        # 记录爬取时间
        load.add_value('crawl_time', time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(time.time())))
        return load.load_item()

我们打开编译器的 Console，进入到 sina_scrapy 目录下，执行以下命令，启动爬虫：

scrapy crawl sina_user

运行结果如下：

往下翻，能够看到这样一行信息：被 rebots.txt 禁止。 rebots.txt 是一种网络爬虫排除标准，但并不是强制的，类似于服务器与爬虫程序之间的一种“君子协定”。

2019-07-01 17:42:20 [scrapy.downloadermiddlewares.robotstxt] DEBUG: Forbidden by robots.txt: <GET https://weibo.cn/u/1809054937>

我们只需要在 settings 文件里面关闭这个设置就行了：

# 是否遵循网络爬虫排除标准
ROBOTSTXT_OBEY = False

然后我们再次运行爬虫程序，就可以看到输出我们爬取的信息：

2019-07-01 17:52:56 [scrapy.core.scraper] DEBUG: Scraped from <200 https://weibo.cn/u/1809054937>
{'crawl_time': ['2019-07-01 17:52:56'],
 'fans_num': [20714189],
 'follow_num': [326],
 'user_id': ['1809054937'],
 'webo_num': [2515]}

至此，我们已经成功编写了一个简单的爬虫应用了！

 

总结

在这一篇博客中，主要介绍了如何编写一个 Scrapy 的爬虫应用，以及 Scrapy 用到的基本技术，下一篇将扩展爬取的信息，并添加分页的爬取以及介绍如何编写 item pipline 将爬取到的数据保存到 MongoDB 中。

 

下一篇：[Python 爬虫] 使用 Scrapy 爬取新浪微博用户信息（三） —— 数据的持久化——使用MongoDB存储爬取的数据