积分商城

最新搜索： 老生常谈 ultraedit 远红外治疗仪 CAM Topsolid 卫星电源 modelsin
您现在的位置是：首页 > 技术资料 > 基于Python的新浪微博用户数据获取技术
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于Python的新浪微博用户数据获取技术

更新时间：2019-12-24 18:02:56 大小：2M 上传用户：songhuahua查看TA发布的资源 标签：python用户数据获取 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

为了获取用于社交网络研究的新浪微博用户数据,本文改进了传统网络爬虫,设计了一个基于Python的新浪微博爬虫系统。该系统使用scrapy多线程爬虫框架,实现了模拟登陆、动态网页抓取和克服微博反爬虫机制等功能,抓取后数据被存储在My SQL数据库中,便于后续分析。实验结果表明,该爬虫系统获取数据的实行性和效率高,稳定性和准确性较好。


部分文件列表

文件名 大小
基于Python的新浪微博用户数据获取技术.pdf 2M

【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）
技术交流  
ELECTRONICS WORLD  
・
基于Python的新浪微博用户数据获取技术  
东南大学信息科学与工程学院 罗 咪  
【摘要】为了获取用于社交网络研究的新浪微博用户数据，本文改进了传统网络爬虫，设计了一个基于Python的新浪微博爬虫系统。该系统  
使用scrapy多线程爬虫框架，实现了模拟登陆、动态网页抓取和克服微博反爬虫机制等功能，抓取后数据被存储在MySQL数据库中，便于后  
续分析。实验结果表明，该爬虫系统获取数据的实行性和效率高，稳定性和准确性较好。  
【关键词】微博数据；Python；Scrapy框架；反爬虫机制  
（1）手动获取 cookie 登陆：该方法较为简单，但是需要人为  
引言  
参与，自动化程度低。  
（2）post 方法登陆weibo.com：该方法难度较高，主要因为以  
下三点。其一，网页版微博上存在大量的广告图片，javascript代码复  
杂，从而降低了后续工作中源码分析的效率。[4]其二，官方分别使用  
了Base64 和 RSA 加密算法对用户账号和密码进行了加密。其三，第  
一次跳转到的URL在使用正则表达式匹配后才能得到目标主页。  
新浪微博作为我国主流社交媒体，拥有海量数据。自2009年推  
出以来，新浪微博的使用人数急速上升，带来的是信息量的剧增。  
每天，人们通过转发、互粉、点赞等行为发表自己的喜恶看法，将  
个人观点放大到社会空间。在如今这个大数据时代，社交网络分析  
依赖于海量的数据来探索人类社会关系中的奥秘，而如何获取这  
些数据至关重要。在此之前，国外的研究学者已经对Twitter、You-  
Tube等社交平台进行了一系列的分析，其研究方法相对成熟。他们  
获取数据的主要方法是通过网站官方提供的API接口。[1]在国内，  
由于新浪官方目前限制相关数据接口的使用，所以研究者要想获取  
数据，需另辟蹊径。[2]  
本文基于Python语言提出了一种无需借助官方API接口就能获  
取用户数据的方法---多线程爬虫技术。该项技术与传统的网络爬虫  
相比，主要有以下三点改进：首先，使用多线程爬虫取代传统的单  
线程爬虫，提高了数据获取速率；其次，针对微博的反爬虫机制设  
计了四种突破策略；最后，成功实现了对于微博评论等动态网页的  
爬取。  
图1 Scrapy多线程爬虫框架原理图  
（3）post方法登陆weibo.cn:由于移动端页面相对简洁，网页  
源码较少，所以相对登陆网页版更加简单，但也存在两个难点。其  
一，登陆时会出现验证码，本文采用的解决方法是下载到本地然后  
手动输入。其二，登陆 后会有一个重定向，这时必  
须设定user-agent，否则post完成后会卡在跳转页面。  
1.Scrapy多线程爬虫框架  
目前，用python实现多线程爬虫主要有两种方法。一是自行设  
计多线程函数，二是使用python的scrapy包来包装线程对象。[3] 本  
爬虫系统主要使用Scrapy框架编写，Scrapy框架是一种引擎和下载  
器之间的框架,主要功能是处理Scrapy引擎与下载器之间的请求及响  
应。其基本组件和工作原理如图1所示。  
（4）利用自动化测试工具Selenium: Selenium 是一个自动化测  
试工具，相当于一个没有界面浏览器，可以完全模拟浏览器行为，  
所以利用它进行模拟登陆非常方便。[5]  
在Scrapy架构下，用户需要编写爬虫部件spiders和数据处理部  
件item pipeline。  
3.动态网页抓取  
新浪微博与豆瓣、知乎等其他社交网站的区别在于：微博中  
很多网页都是动态的，爬取有一定的难度，所以需要特殊处理。主  
要有两种爬动态网站的策略可以选取。第一种方法是使用自动化测  
试工具selenium进行抓取，这主要是因为chrome driver可以渲染用  
javascript生成的网站。具体做法是先获取网页源码，再使用 XPath  
路径语言解析网页。Selenium 抓取虽然简洁方便，但存在抓取速率  
2.模拟登陆  
模拟登陆是爬虫技术所要攻克的第一个难题。所谓模拟登陆，  
即让计算机模仿人工操作，以达到欺骗服务器的目的。我们分别尝  
试了以下四种策略，并比较了它们的优劣性。  
基金项目：江苏省高等学校大学生创新创业训练计划项目（201710286018Y）。  
·
·
138  
技术交流  
ELECTRONICS WORLD  
・
低效，不稳定的缺点，所以还可以使用解析json数据的方法。下面  
分别讲解微博评论和用户粉丝列表数据的获取办法。  
3.1 微博评论抓取  
4.克服反爬虫机制  
首先，抓包寻找到网站ajax请求的接口，接着找寻该的接口url  
为了防止个人盗取微博数据用于非法用途，新浪微博官方对微  
博爬虫采取抵制态度，并且他们的反爬虫机制也在不断完善。如果  
爬虫请求过于频繁，账户容易被封禁，降低了数据获取的效率。本  
系统采用以下4个策略突破微博的反爬虫机制：  
地址规律。例如，我们抓包后发现ajax请求为：  
ajwvr=6&id=4199411268012827&root_comment_max_id=442152675631872&root_  
comment_max_id_type=0&root_comment_ext_param=&page=2&filter=hot&sum_comment_  
number=1753&filter_tips_before=0&from=singleWeiBo&__rnd=1520153792622。  
（1） 动态更改 user-agent：主要利用python的fake user agent  
包，让每一次请求都伪造一个用户代理，使服务器误以为是来自不  
同浏览器的请求。从而降低爬虫被发现的概率。  
经过测试后，我们可以将该url接口简化为：  
（2）动态更改 IP：首先获取一串可用的高速代理 IP 列表，然  
后在每一次请求时更改 IP 地址，让服务器无法锁定具体的访问地  
址，以达到迷惑服务器的目的。  
从简化后的url地址可以归纳出新浪微博评论的接口规律为：  
“这条微博独一无二的  
id”&page=“指定的页面”。  
（3）控制爬取速率：若爬取速率过快，服务器容易检测出异  
常，所以速率一般控制在 1.5-2s为宜。  
下面，我们需要通过微博地址获取这条微博独一无二的id。经  
过网页源码分析我们发现，微博的id出现在网页dom元素属性的很  
多地方，而且都是以mid开头，这样就能根据网页源码正则匹配出  
这条微博的id。[6]最后只要改变url接口里的page参数，获取所有评  
论源码，再使用xpath提取出所需的评论数据即可。  
（4）建立并维护cookie 池：由于新浪微博会针对一个账户进  
行速率监控，所以更稳妥的方法是一次多获取几个 cookie，每次请  
求随机设定一个 cookie。  
3.2 微博粉丝列表抓取  
5.总结  
以查看刘亦菲粉丝列表为例，抓包后得到结果如图2所示。  
本文设计的新浪微博爬虫使用python语言实现，并且可以根据实  
际需要更改爬取条件和爬取目标。在传统静态网页爬虫的基础上，探  
讨了针对新浪微博网站需要解决的三大问题: 模拟登陆、动态网页信  
息抓取、反爬虫机制，并给出了切实可行的解决方案。在动态网页抓  
取中，需要应用自动化测试工具Selenium来模仿真正用户的操作，以  
及利用正则表达式来匹配数据。值得一提的是，最终得到的数据往往  
与所需要的信息有细微差别，需要经过数据清洗才能进入分析的流  
程。实践证明，该爬虫系统能够实现对微博数据高效稳定的采集，  
并符合实时性性、健壮性和灵活性等性能指标要求。  
图2 刘亦菲粉丝列表抓包结果  
可以得出粉丝列表的url地址为：  
fans_-_3261134763&type=all&since_id。  
其中，每个粉丝拥有不同的containerid参数，而since_id从1到  
250都可以访问，所以每次访问这个url都可以返回含有20个粉丝信  
息的json数据。如图3所示。  
参考文献  
[1]Axel Bruns, Yuxian Eugene Liang. (2012). Tools and methods for  
capturing Twitter data during natural disasters. Peer-Reviewed Journal  
php/fm/article/view/3937.  
[2]吴剑兰.基于Python的新浪微博爬虫研究[J].无线互联科  
技,2015(06)：93-94.  
[3]李俊丽.基于Linux的python多线程爬虫程序设计[J].计算机与  
数字工程,2015,43(05):861-863+876.  
[4]陈珂,蓝鼎栋,柯文德,黎树俊,邓文天.基于Java的新浪微博爬虫  
研究与实现[J].计算机技术与发展,2017,27(09):191-196.  
[5]吴伶琳.基于Selenium的软件自动化测试的研究与应用[J].计算  
机与现代化,2013(02):65-68.  
[6]胡军伟,秦奕青,张伟.正则表达式在Web信息抽取中的应用[J].  
北京信息科技大学学报(自然科学版),2011,26(06):86-89.  
图3 刘亦菲粉丝列表json数据返回结果  
·
·
139  

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

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