python利用新浪API實現數據的抓取\python微博數據爬蟲

本人長期出售超大量微博數據、旅游網站評論數據，并提供各種指定數據爬取服務，Message to YuboonaZhang@Yahoo.com。同時歡迎加入社交媒體數據交流群：99918768

利用新浪API實現數據的抓取(2018.4.16 更新)

<font color=#FF0000 size=4 face="黑體">
2018.4.16 說明

注意：今天有人言語惡劣地評論我的博客是垃圾，說我的代碼有問題，這篇博客歷史久遠，是我初玩爬蟲寫的博客。我非常感謝能對我的代碼提出意見的人，但是出言不遜，態度惡劣的人我是忍受不了的，有話好好說，是一個現代社會高學歷高知識分子的最低覺悟。

代碼我已經改過了，如果還有問題非常歡迎大家來溫和地指出！！！！

同時，由于新浪微博本身api機制的不斷更改，到目前為止，這篇博客的內容已經有了局限，對于個人開發者來說，你申請到的token的權限只能爬你自己的微博，所以對于想要靠api來爬數據的人，恐怕可能并不能達成自己的目的了。想要用api來爬取微博內容只能選擇獲取更高的開發者權限了。

</font>

1.　首先來看看最后我們得到的是什么結果，是不是你想要了解的東西，再決定是否往下讀。　

<br/>

我主要抓取了大概4天的數據，圖上可以看的出來大概有360萬條數據，由于是在自己的電腦上爬取做數據的，有時候晚上斷網了就間斷了，所以大概一天可以爬取有100萬左右的最新微博數據（因為我調用的是最新的微博API　public_timeline)

API文檔當中定義了很多返回的類型（以json數據格式返回，我選取了一些我認為重要的信息抓取下來如圖所示:　大概有id號，所在位置，粉絲數，發的微博內容，發微博的時間等等。　當然這些數據都可以根據自己的需要進行定制。)

大概就是這些內容，你如果認為這對你有點幫助，就請繼續讀下去... 第一次寫博客有些啰嗦

2.　前期準備

我們需要的東西：

• 數據庫:　mongodb（可以使用客戶端MongoBooster)
• 開發環境：　Python2.7(我用的IDE是Pycharm)
• 一個新浪開發者賬號：　用自己的新浪微博賬號注冊就行（后面會講）
• 需要的庫：　requests和pymongo(這些都可以在Pycharm中下載)

2.1　mongodb的安裝

MongoDB是一個高性能，開源，無模式的文檔型數據庫，是當前NoSql數據庫中比較熱門的一種。它在許多場景下可用于替代傳統的關系型數據庫或鍵/值存儲方式。Mongo使用C++開發。Mongo的官方網站地址是：<http://www.mongodb.org/>，讀者可以在此獲得更詳細的信息。

小插曲：什么是NoSql?

　　NoSql，全稱是 Not Only Sql,指的是非關系型的數據庫。下一代數據庫主要解決幾個要點：非關系型的、分布式的、開源的、水平可擴展的。原始的目的是為了大規模web應用，這場運動開始于2009年初，通常特性應用如：模式自由、支持簡易復制、簡單的API、最終的一致性（非ACID）、大容量數據等。NoSQL被我們用得最多的當數key-value存儲，當然還有其他的文檔型的、列存儲、圖型數據庫、xml數據庫等。

網上有很多安裝mongodb教程我就不寫了

Windows下mongodb的安裝

Linux下mongodb的安裝

2.2　新浪開發者賬號的注冊方法

• 注冊新浪微博賬號（163郵箱、手機號）

　　 創建完畢需要填寫手機號驗證
<br/>

• 進入新浪開放者平臺：<http://open.weibo.com/>

<br/>

<br/>

• 點擊繼續創建

初次創建應用需要填寫如下信息：

此頁面信息不需要填寫真實信息，如地區，電話，可隨意填寫。網站填<https://www.baidu.com/>即可。(郵箱要真實)

繼續創建應用。應用名稱自定義，平臺如下勾選 ios 、andrioid

創建完畢直接返回繼續創建，一個賬號可以創建10個應用，每個應用對應一個access-token(事實上我只用了一個就可以滿足需求)

• 前往API測試平臺

<br/>

<br/>

依次選取創建的應用。點將下方的token用txt保存即可。

• 獲取key

回到

<br/>

點擊我的應用

然后選擇自己剛剛創建的應用

進入之后點擊應用信息

保存下　APP Key 和　APP Secret

點擊高級信息

設置回調網址

可以設置成默認的
http://api.weibo.com/oauth3/default.html

至此你的開發者賬號就已經完成了

2.3　依賴庫的安裝方法

requests和pymongo的安裝

可以直接用pip安裝
pip install requests　和　pip install pymongo

也可以在Pycharm里面直接安裝

選擇File -> Settings -> Project -> Project Interpreter

可以看到自己安裝的Python庫，點擊右邊的綠色　＋　 號

安裝即可

3.　分析問題　

3.1 OAuth 認證

授權機制說明（很重要）

網上很多講利用新浪微博API發送微博什么的都是使用的請求用戶授權Token這種方式，但是這種方式顯然不適用于我們爬取數據，因為每次都要請求，每次都要重新獲取code。具體可參考新浪微博API的授權機制

廖雪峰老師(sinaweibopy 的貢獻者）也對這個授權機制有一個說明

通過新浪微博的API接入網站，由于用戶無需在您的網站上注冊，就可以直接?使用他／她在新浪微博的帳號和口令登錄您的網站，這就需要確保您的網站在無需知道，也不能知道用戶口令的情況下確認用戶已經登錄成功。由于用戶的口令存儲在新浪微博，因此，認證用戶的過程只能由新浪微博完成，但新浪微博如何與您的網站通信并告知您用戶是否登錄成功呢？這個過程稱之為第三方登錄，OAuth是一個標準的第三方登錄協議，借助OAuth，您的網站就可以安全地接入來自新浪微博登錄成功的用戶。

OAuth目前主要有1.0和2.0兩個版本，2.0版對1.0版做了大量簡化，API也更簡單。新浪微博最新的API也是采用的OAuth 2.0，整個登錄流程如下：

1. 用戶在您的網站上點擊“使用新浪微博登錄”，您的網站將用戶重定向到新浪微博的OAuth認證頁，重定向鏈接中包含client_id參數作為您的網站ID，redirect_uri參數告訴新浪微博當用戶登錄成功后，將瀏覽器重定向到您的網站；
2. 用戶在新浪微博的認證頁輸入帳號和口令；
3. 新浪微博認證成功后，將瀏覽器重定向到您的網站，并附上code參數；
4. 您的網站通過code參數向新浪微博請求用戶的access token；
5. 您的網站拿到用戶的access token后，用戶登錄完成。
   OAuth的access token是提供認證服務的網站（例如新浪微博）生成的令牌，代表一個用戶認證信息。在隨后的API調用中，傳入該access token就代表這個登錄用戶，這樣，通過OAuth協議，您的網站將驗證用戶的步驟交給新浪微博完成，并由新浪微博告知您用戶是否登錄成功。

OAuth的安全性是通過步驟4完成的，通過code參數獲取access token的過程是您的網站后臺到新浪微博網站完成的，用戶無法看到獲取access token的HTTP請求。如果用戶傳入偽造的code，則新浪微博會返回一個錯誤。

具體內容請看廖雪峰老師的文檔

大致上來說按照一般的請求用戶授權Token調用會出現這種情況：

<br/>

獲取code

登陸后會調轉到一個連接https://api.weibo.com/oauth3/default.html?code=××××××××　

我們所需要的就是code=××××××××××　的值

也就是說，每當你調用一次API認證在瀏覽器中都會出現一個code,這樣顯然不利于我們去爬取網站　

怎么解決問題呢？首先我們想到的自然是在Python程序里面模擬登錄新浪微博，然后自然可以獲取到code的值，但是，模擬新浪微博登錄相對來說比較復雜，而且既然都模擬登錄成功了，為啥還要調用API呢...直接自定義進行抓取不是更加方便。

如果看了上面的那個授權機制，就應該想到。這個時候就需要我們之前申請的access-token了

access-token 根據我的理解就是把你的微博授權給了第三方讓他幫你做一些事情，類似于在你的手機端通過新浪微博來登錄然后進行操作(利用上面授權機制里面講的一句話來說就是)移動端應用可直接使用官方移動SDK，通過呼起微博客戶端（未安裝微博客戶端的會呼起H5授權頁）方式授權

這個界面你應該很熟悉

新浪也給出了說明Oauth3/access token

４.　代碼實現　

有了token之后，實現抓取數據就十分簡單了
能抓取數據的多少就取決于你的token權限了

接下來就是利用API來獲取數據了：新建一個文件weibo_run.py

# -*- coding:utf-8 -*-
import requests
from pymongo import MongoClient

ACCESS_TOKEN = '2.00ZooSqFHAgn3D59864ee3170DLjNj'
URL = 'https://api.weibo.com/2/statuses/public_timeline.json'

def run():
#授權

    while True:
        #調用statuses__public_timeline的api接口
        params = {
            'access_token': ACCESS_TOKEN
        }

        statuses = requests.get(url=URL, params=params).json()['statuses']
        length = len(statuses)
        #這是后來我為了查看獲取微博條數設置的
        print length

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

        #獲取的各個數據名應該可以清楚的看出來對應的是什么數據
        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()

剛開始我的代碼是這樣的，看起來已經完成了。

但是，因為新浪會限制你的調用次數，后來我試了一下重新運行,結果發現了一個問題，我之前的print length 出來的每行獲取值都不一樣，總是在１６－２０之間徘徊，這說明了我每次重新運行獲取的數據都不一樣.然后我想算了，干脆寫個死循環看他什么時候再被封吧。于是代碼就變成了下面這樣

把run()刪除，換成下面這個死循環。

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

結果他就一直運行下去了...運行了四天還沒有被封，估計是封不了了...

其他接口也是一樣使用，只用改變url和params就行，具體參數參照新浪微博API文檔

開始我發現一天可以獲取800萬的數據，把我給樂的...后來發現好多好多重復的數據。最后找了半天的解決方案，在mongodb中根據用戶的id和創建的時間這兩點建立索引(因為一個人不可能在同一時刻發送兩條微博),最后沒有重復數據大概一天可以獲取100萬條左右的信息。

個人博客

8aoy1.cn