Weibo Spider

本程序可以连续爬取一个或多个新浪微博用户（如胡歌、迪丽热巴、郭碧婷）的数据，并将结果信息写入文件或数据库。写入信息几乎包括用户微博的所有数据，包括用户信息和微博信息两大类。因为内容太多，这里不再赘述，详细内容见获取到的字段。如果只需要用户信息，可以通过设置实现只爬取微博用户信息的功能。本程序需设置cookie来获取微博访问权限，后面会讲解如何获取cookie。如果不想设置cookie，可以使用免cookie版，二者功能类似。

爬取结果可写入文件和数据库，具体的写入文件类型如下：

• txt文件（默认）
• csv文件（默认）
• json文件（可选）
• MySQL数据库（可选）
• MongoDB数据库（可选）
• SQLite数据库（可选）

同时支持下载微博中的图片和视频，具体的可下载文件如下：

• 原创微博中的原始图片（可选）
• 转发微博中的原始图片（可选）
• 原创微博中的视频（可选）
• 转发微博中的视频（可选）
• 原创微博Live Photo中的视频（免cookie版特有）
• 转发微博Live Photo中的视频（免cookie版特有）

内容列表

[TOC]

• Weibo Spider
  • 内容列表
  • 获取到的字段
    • 用户信息
    • 微博信息
  • 示例
  • 运行环境
  • 使用说明
    • 0.版本
    • 1.安装程序
      • 源码安装
      • pip安装
    • 2.程序设置
    • 3.运行程序
  • 个性化定制程序（可选）
  • 定期自动爬取微博（可选）
  • 如何获取cookie
  • 如何获取user_id
  • 常见问题
  • 学术研究
  • 相关项目
  • 贡献
  • 贡献者
  • 注意事项

获取到的字段

本部分为爬取到的字段信息说明，为了与免cookie版区分，下面将两者爬取到的信息都列出来。如果是免cookie版所特有的信息，会有免cookie标注，没有标注的为二者共有的信息。

用户信息

• 用户id：微博用户id，如"1669879400"，其实这个字段本来就是已知字段
• 昵称：用户昵称，如"Dear-迪丽热巴"
• 性别：微博用户性别
• 生日：用户出生日期
• 所在地：用户所在地
• 学习经历：用户上学时学校的名字和时间
• 工作经历：用户所属公司名字和时间
• 阳光信用（免cookie版）：用户的阳光信用
• 微博注册时间（免cookie版）：用户微博注册日期
• 微博数：用户的全部微博数（转发微博+原创微博）
• 关注数：用户关注的微博数量
• 粉丝数：用户的粉丝数
• 简介：用户简介
• 主页地址（免cookie版）：微博移动版主页url
• 头像url（免cookie版）：用户头像url
• 高清头像url（免cookie版）：用户高清头像url
• 微博等级（免cookie版）：用户微博等级
• 会员等级（免cookie版）：微博会员用户等级，普通用户该等级为0
• 是否认证（免cookie版）：用户是否认证，为布尔类型
• 认证类型（免cookie版）：用户认证类型，如个人认证、企业认证、政府认证等
• 认证信息：为认证用户特有，用户信息栏显示的认证信息

微博信息

• 微博id：微博唯一标志
• 微博内容：微博正文
• 头条文章url：微博中头条文章的url，若微博中不存在头条文章，则值为''
• 原始图片url：原创微博图片和转发微博转发理由中图片的url，若某条微博存在多张图片，每个url以英文逗号分隔，若没有图片则值为"无"
• 视频url: 微博中的视频url，若微博中没有视频，则值为"无"
• 微博发布位置：位置微博中的发布位置
• 微博发布时间：微博发布时的时间，精确到分
• 点赞数：微博被赞的数量
• 转发数：微博被转发的数量
• 评论数：微博被评论的数量
• 微博发布工具：微博的发布工具，如iPhone客户端、HUAWEI Mate 20 Pro等
• 结果文件：保存在当前目录weibo文件夹下以用户昵称为名的文件夹里，名字为"user_id.csv"和"user_id.txt"的形式
• 微博图片：原创微博中的图片和转发微博转发理由中的图片，保存在以用户昵称为名的文件夹下的img文件夹里
• 微博视频：原创微博中的视频，保存在以用户昵称为名的文件夹下的video文件夹里
• 微博bid（免cookie版）：为免cookie版所特有，与本程序中的微博id是同一个值
• 话题（免cookie版）：微博话题，即两个#中的内容，若存在多个话题，每个url以英文逗号分隔，若没有则值为''
• @用户（免cookie版）：微博@的用户，若存在多个@用户，每个url以英文逗号分隔，若没有则值为''
• 原始微博（免cookie版）：为转发微博所特有，是转发微博中那条被转发的微博，存储为字典形式，包含了上述微博信息中的所有内容，如微博id、微博内容等等

示例

如果想要知道程序的具体运行结果，可以查看示例文档，该文档介绍了爬取迪丽热巴微博的例子，并附有部分结果文件截图。

运行环境

• 开发语言：python2/python3
• 系统： Windows/Linux/macOS

使用说明

0.版本

本程序有两个版本，你现在看到的是python3版，另一个是python2版，python2版位于python2分支。目前主力开发python3版，包括新功能开发和bug修复；python2版仅支持bug修复。推荐python3用户使用当前版本，推荐python2用户使用python2版，本使用说明是python3版的使用说明。

1.安装程序

本程序提供两种安装方式，一种是源码安装，另一种是pip安装，二者功能完全相同。如果你需要修改源码，建议使用第一种方式，否则选哪种安装方式都可以。

源码安装

$ git clone https://github.com/dataabc/weiboSpider.git
$ cd weiboSpider
$ pip install -r requirements.txt

pip安装

$ python3 -m pip install weibo-spider

2.程序设置

要了解程序设置，请查看程序设置文档。

3.运行程序

源码安装的用户可以在weiboSpider目录运行如下命令，pip安装的用户可以在任意有写权限的目录运行如下命令

$ python3 -m weibo_spider

第一次执行，会自动在当前目录创建config.json配置文件，配置好后执行同样的命令就可以获取微博了。

如果你已经有config.json文件了，也可以通过config_path参数配置config.json路径，运行程序，命令行如下：

$ python3 -m weibo_spider --config_path="config.json"

如果你想指定文件（csv、txt、json、图片、视频）保存路径，可以通过output_dir参数设定。假如你想把文件保存到/home/weibo/目录，可以运行如下命令：

$ python3 -m weibo_spider --output_dir="/home/weibo/"

如果你想通过命令行输入user_id，可以使用参数u，可以输入一个或多个user_id，每个user_id以英文逗号分开，如果这些user_id中有重复的user_id，程序会自动去重。命令行如下：

$ python3 -m weibo_spider --u="1669879400,1223178222"

程序会获取user_id分别为1669879400和1223178222的微博用户的微博，后面会讲如何获取user_id。该方式的所有user_id使用config.json中的since_date和end_date设置，通过修改它们的值可以控制爬取的时间范围。若config.json中的user_id_list是文件路径，每个命令行中的user_id都会自动保存到该文件内，且自动更新since_date；若不是路径，user_id会保存在当前目录的user_id_list.txt内，且自动更新since_date，若当前目录下不存在user_id_list.txt，程序会自动创建它。

个性化定制程序（可选）

本部分为可选部分，如果不需要个性化定制程序或添加新功能，可以忽略此部分。

本程序主体代码位于weibo_spider.py文件，程序主体是一个 Spider 类，上述所有功能都是通过在main函数调用 Spider 类实现的，默认的调用代码如下：

        config = get_config()
        wb = Spider(config)
        wb.start()  # 爬取微博信息

用户可以按照自己的需求调用或修改 Spider 类。通过执行本程序，我们可以得到很多信息。

wb.weibo：除不包含上述信息外，wb.weibo包含爬取到的所有微博信息，如微博id、微博正文、原始图片url、发布位置、发布时间、发布工具、点赞数、转发数、评论数等。如果爬的是全部微博(原创+转发)，除上述信息之外，还包含被转发微博原始图片url、是否为原创微博等。wb.weibo是一个列表，包含了爬取的所有微博信息。wb.weibo[0]为爬取的第一条微博，wb.weibo[1]为爬取的第二条微博，以此类推。当filter=1时，wb.weibo[0]为爬取的第一条原创微博，以此类推。wb.weibo[0]['id']为第一条微博的id，wb.weibo[0]['content']为第一条微博的正文，wb.weibo[0]['publish_time']为第一条微博的发布时间，还有其它很多信息不在赘述，大家可以点击下面的"详情"查看具体用法。