积分商城

最新搜索： 恒流源电路大全 32位单片机 调试技巧 单片机C语言编程 89c51 从单片机基础
您现在的位置是：首页 > 技术资料 > 基于PYTHON的新浪微博数据爬虫
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于PYTHON的新浪微博数据爬虫

更新时间：2019-12-21 19:34:34 大小：1M 上传用户：songhuahua查看TA发布的资源 标签：python数据爬虫 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

目前很多的社交网络研究都是采用国外的平台数据,而国内的新浪微博没有很好的接口方便研究人员采集数据进行分析。为了快速地获取到微博中的数据,开发了一款支持并行的微博数据抓取工具。该工具可以实时抓取微博中指定用户的粉丝信息、微博正文等内容;该工具利用关键字匹配技术,匹配符合规定条件的微博,并抓取相关内容;该工具支持并行抓取,可以同时抓取多个用户的信息。最后将串行微博爬虫工具和其并行版本进行对比,并使用该工具对部分微博数据作了一个关于流感问题的分析。实验结果显示:并行爬虫拥有较好的加速比,可以快速地获取数据,并且这些数据具有实时性和准确性。


部分文件列表

文件名 大小
基于PYTHON的新浪微博数据爬虫.pdf 1M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
Journal of Computer Applications  
，2014，34( 11) : 3131 － 3134  
计算机应用  
ISSN 1001-9081  
CODEN JYIIDU  
2014-11-10  
http: / /www． joca． cn  
: 1001-9081( 2014) 11-3131-04  
doi: 10． 11772 /j． issn． 1001-9081． 2014． 11． 3131  
文章编号  
Python  
基于  
的新浪微博数据爬虫  
*
， ，  
周中华 张惠然 谢 江  
(
，
上海大学 计算机工程与科学学院 上海  
200444)  
( * jiangx@ shu． edu． cn)  
通信作者电子邮箱  
: ，  
要 目前很多的社交网络研究都是采用国外的平台数据 而国内的新浪微博没有很好的接口方便研究人员  
摘
。 ， 。  
采集数据进行分析 为了快速地获取到微博中的数据 开发了一款支持并行的微博数据抓取工具 该工具可以实时  
、 ; ， ，  
抓取微博中指定用户的粉丝信息 微博正文等内容 该工具利用关键字匹配技术 匹配符合规定条件的微博 并抓取  
; ， 。  
相关内容 该工具支持并行抓取 可以同时抓取多个用户的信息 最后将串行微博爬虫工具和其并行版本进行对比  
，
。 : ，  
并使用该工具对部分微博数据作了一个关于流感问题的分析 实验结果显示 并行爬虫拥有较好的加速比 可以快  
，
速地获取数据 并且这些数据具有实时性和准确性  
。
: ;  
关键词 新浪微博 爬虫  
; Python;  
;
并行 大数据  
: A  
文献标志码  
: TP391; TP311  
中图分类号  
Data crawler for Sina Weibo based on Python  
*
ZHOU Zhonghua， ZHANG Huiran， XIE Jiang  
( School of Computer Engineering and Science， Shanghai University， Shanghai 200444， China)  
Abstract: Nowadays， most of researches about social network use data from foreign social network platforms． However  
the largest social network platform Sina Weibo in China has no data interfaces for investors． A Sina Weibo data crawler  
combined with parallelization technology was put forward． It got fans information and Weibo data content of different weibo  
users in real-time． It also supported key words matching and parallelization． The serial data crawler and its parallel version  
were compared， and an experiment about flu was conducted on some Weibo data． The results indicate that， with  
parallelization， this tool has liner speedup and all the fetching data are with timeliness and accuracy．  
Key words: Sina Weibo; crawler; Python; parallel; big data  
，
公开的微博数据集供人们下载 但是这些数据集通常规模比  
0
引言  
， 。 、  
较小 而且还缺乏实时性 有些技术力量强劲 资源充足的研  
，
计算机技术的进步使人们的生活方式逐渐发生改变 社  
。
究团队通常自己开发一些爬虫来获取研究数据 这对不熟悉  
。
交网络就是一个非常突出的例子 越来越多的人参与到社交  
。
爬虫技术的研究人员而言是个极大的挑战 本文提出了一款  
， ， 。  
网络平台中去 与他人互动 分享各种内容 在大数据时代来  
Python  
，
语言的新浪微博数据爬虫 为数据获取提供支  
基于  
， ，  
临之际 社交网络就像一个巨大的宝库 吸引了大量的研究人  
。
持
。 ，  
员参 与 到 相 关 内 容 的 研 究 在 国 外 人 们 针 对  
Twitter、  
、 、  
本文爬虫通过模拟客户端的操作如登录 访问好友 查看  
［1 － 5］  
Facebook  
，
但是针  
、 ，  
粉丝 查看微博内容等方式获取相关数据 并且将这些数据持  
等知名社交平台展开了一系列的分析  
［6 － 9］  
， 。  
久化保存到本地硬盘上 方便后续进一步的数据挖掘与分析  
:
还比较欠缺 一方面因为相  
对国内社交网络平台的研究  
， ，  
同时 本文爬虫还集成了文本匹配功能 利用该功能可以轻松  
， ;  
关研究刚刚起步 缺乏相关的研究方法 另一方面缺乏相关的  
。 ，  
地实现指定内容的数据获取 例如 可以利用本文爬虫检索  
， 。  
研究数据 使得一些研究难以开展 在国外  
Twitter  
等社交平  
、 、 、  
包含流感 感冒 发烧 发热这四个词语中一个或多个关键字  
，
台会提供一些数据接口供研究人员获取研究数据 但是在国  
， 。  
的微博 并把这些微博保存到硬盘上 使用本文爬虫能够节  
。
内却无法正常访问这些接口 国内由新浪网推出的新浪微博  
，
省分析人员的开发时间 使得他们可以将更多的精力放在数  
Twitter。 2013 5． 56  
3
，
堪称中国的  
截至  
年
月 微博用户数已达  
如此之大的一个社交平台为社  
交网络分析 网络数据挖掘等研究提供了强有力的大数据支  
，
据分析上面 同时也可以对一些无用的数据起到过滤作用  
。
，
5000  
。
万
亿 日活跃用户数超  
、
1
微博爬虫  
。
持
。
网络爬虫是用来获取网络数据的重要工具 关于网络爬  
，
然而新浪微博官方并没有提供相关的数据接口 没有数  
［10 － 12］  
， 。  
据 一些研究分析工作也无法进行 目前网络中也存在一些  
，
不计其数 然而普通的爬虫很难直接用来  
虫技术的研究  
: 2014-06-05;  
: 2017 － 08 － 27。  
:
基金项目 国家自然科学基金资助项目  
( 91330116) ;  
高等学校博士学科点专项科研  
收稿日期  
基金资助项目  
修回日期  
( 20113108120022) ;  
( 11510500300) 。  
上海市科委重点项目  
:
作者简介 周中华  
( 1989 － ) ，  
，
男 江苏常州人 硕士研究生  
，CCF  
， : 、  
会员 主要研究方向 生物信息 高性能计算  
;
( 1981 － ) ，  
男 河南新  
张惠然  
，CCF  
， ，  
乡人 讲师 博士  
，CCF  
， : 、  
会员 主要研究方向 生物信息 高性能计算  
;
( 1971 － ) ， ， ， ，  
女 湖北恩施人 副教授 博士  
，
会员 主要研究方向  
:
谢江  
、
生物信息 高性能计算  
。
3132  
34  
卷
计算机应用  
第
。
抓取新浪微博的相关数据 因为新浪微博有着复杂的登录机  
， 。  
是已完成的队列 另一个是未完成的队列 在初始状态下已  
， ， ，  
制 同时相关数据拥有统一的格式 针对这种情况 利用爬虫  
， ，  
完成的队列为空 未完成的队列中只有一个种子用户 对种子  
，
原理 可以开发出一款专门针对新浪微博数据的网络爬虫  
。
，
用户的所有信息完成一遍搜索之后 该用户就会进入已完成  
1． 1  
， ， ，  
队列 对该用户搜索过程中 当遇到一个新用户时 会根据其  
微博登录  
，
新浪微博的数据都需要在登录的情况下才能访问到 所  
ID  
用户  
在已完成队列和未完成队列中查询该用户是否已经  
。
以微博登录是爬虫需要解决的第一个问题 通过分析网页版  
， ，  
被记录过 如果该用户未被记录 该用户将进入到未完成队列  
:
微博的登录相关代码可以发现微博登录主要分为三个步骤  
1) ; 2)  
。
末尾 搜索的结束条件并不是搜索完微博的所有用户才会结  
客户端向微博的用户服务器发送登录请求  
服务器接收  
，
束 而是当已完成队列中的用户数量达到预先设置的一个最  
; 3)  
到登录请求后会生成相应的密钥返回给客户端  
客户端将  
。
大值的时候就会结束搜索  
以下是整个搜索过程的伪代码  
、 2)  
用户的用户名 密码以及 中服务器发回的登录密钥结合在  
:
，
一起再向服务器提交登录信息 服务器验证成功之后将会返  
Begin  
Initialize Waiting Query  
Initialize Finished Query  
。
回正确的登录状态以及当前用户的个人信息 成功登录之后  
session  
客户端只需要保持与服务器的  
会话就可以方便地访  
Push Seed User Into Waiting Query  
While length( Finished Query) ＜ MaxNum  
Begin  
。
问微博中的一些数据资源  
:
以下是微博登录的伪代码  
Begin  
Pop User From Waiting Query  
Scan User Information  
If New User Not In Waiting Query  
and New User Not In Finished Query  
Begin  
Step1:  
Send Login Request  
Step2:  
Get Response From Server  
Get Encrypt Information From Response  
Step3:  
Encrypt User Information  
Send Encrypt Information  
Step4:  
Get Login Status  
Push New User Into Waiting Query  
End  
End  
End  
1． 3  
微博内容抓取  
，
微博正文是非常重要的微博数据 很多研究就是基于用  
End  
， ，  
户的微博内容展开的 因此 本文爬虫也针对用户的微博正文  
1． 2  
微博关系抓取  
微博爬虫成功登录之后就可以通过  
。 :  
提供了相应的抓取方法 一种方法是 本文爬虫可以将用户  
HTTP  
地址访问其他  
用户的相关信息 如其他用户的关注列表 粉丝列表以及微博  
HTTP  
，
的所有微博内容全部以文件的形式完全记录到磁盘 但是这  
，
、
样做就需要很多的物理存储空间才能将如此之多的用户数据  
。
，
列表 由于爬虫采用的是  
请求的方式获取数据 因此  
。 :  
保存下来 另一种方法是 本文爬虫提供了简单的字符串匹  
HTML  
，
每次请求获取到的是一大堆复杂的  
代码 但是用户的  
微博数据都具有相同的格式 可以通过正则表达式将这些数  
HTML  
，
配功能 在抓取用户微博内容的过程中会根据输入的需要匹  
，
，
配的关键字进行匹配 如果发现匹配成功的微博爬虫会将该  
。
代码中提取出来  
据从混乱的  
在新浪微博中 每个用户有自己的唯一  
ID  
。
微博保存到磁盘 这样研究人员就可以有针对性地进行相关  
，
ID  
，
与之对应 因  
。
，
，
研究和分析  
1． 4  
此 可以使用  
作为用户的唯一性的判断依据 在访问相关  
，
用户的数据过程中 也只需要使用其用户  
ID  
关键字匹配  
就能访问到相关  
， ，  
由于人们发布的微博内容各异 针对某种研究而言 一个  
。
数据 本文爬虫提供了一种基于广度优先的搜索策略来抓取  
。
人的全部微博中有很多无意义的内容 例如针对微博中人们  
。 ，  
用户关系数据 首先选取一名种子用户 以该用户为起始点  
，
。
1
1
6
逐
得感冒与时间关系的研究就需要从所有的微博中找到与感冒  
先将他所有的好友信息收集起来  
图
显示的是从  
到
，
个提取每个用户的个人信息 搜索完成后再去寻找该用户的  
， 。  
相关的微博 并保存这些内容 而简单的爬虫并不能分辨哪  
; ，  
第一个好友的其他好友信息 以此类推 直到搜索完成  
。
， ，  
些内容有用 哪些内容是没有用的 如果全部都保存到硬盘上  
，
会耗费大量的存储 同时还会花费更多的时间从这些数据中  
，
再次筛选与感冒相关的微博 这样既浪费了资源又浪费了时  
。
间
因此爬虫中内嵌了关键字匹配模块方便根据关键字筛选  
， ，  
符合条件的微博 这样提高了效率 也节省了资源  
。
:
以下就是一条微博匹配多个关键字的相关代码  
Begin  
For i = 0; i ＜ len( keys) ; i ++  
Begin  
1
图
广度优先的粉丝关系搜索  
If match( content，keys［i］)  
:
整个搜索过程中微博爬虫需要维护两个搜索队列 一个  
Begin  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号