利用新浪API实现数据的抓取微博数据爬取微博爬虫

摘要：本人长期出售超大量微博数据旅游网站评论数据，并提供各种指定数据爬取服务，。如果用户传入伪造的，则新浪微博会返回一个错误。

PS:(本人长期出售超大量微博数据、旅游网站评论数据，并提供各种指定数据爬取服务，Message to YuboonaZhang@Yahoo.com。由于微博接口更新后限制增大，这个代码已经不能用来爬数据了。如果只是为了收集数据可以咨询我的邮箱，如果是为了学习爬虫，建议改学phantomjs从网页中爬取微博的)

2018.5.16 提示
微博的api接口现在已经不好用了，普通权限的token已经爬不到什么数据了，想要用这个代码爬大量数据的已经不太可能，只能作为熟悉微博api接口使用方法的一个小demo了。

我主要抓取了大概4天的数据，图上可以看的出来大概有360万条数据，由于是在自己的电脑上爬取做数据的，有时候晚上断网了就间断了，所以大概一天可以爬取有100万左右的最新微博数据（因为我调用的是最新的微博API　public_timeline)

API文档当中定义了很多返回的类型（以json数据格式返回，我选取了一些我认为重要的信息抓取下来_如图所示_:　大概有id号，所在位置，粉丝数，发的微博内容，发微博的时间等等。　当然这些数据都可以根据自己的需要进行定制。)

我们需要的东西：

数据库:　mongodb（可以使用客户端MongoBooster)

开发环境：　Python2.7(我用的IDE是Pycharm)

一个新浪开发者账号：　用自己的新浪微博账号注册就行（后面会讲）

需要的库：　requests和pymongo(这些都可以在Pycharm中下载)

MongoDB是一个高性能，开源，无模式的文档型数据库，是当前NoSql数据库中比较热门的一种。它在许多场景下可用于替代传统的关系型数据库或键/值存储方式。Mongo使用C++开发。Mongo的官方网站地址是：http://www.mongodb.org/，读者可以在此获得更详细的信息。

小插曲：什么是NoSql?
　　NoSql，全称是 Not Only Sql,指的是非关系型的数据库。下一代数据库主要解决几个要点：非关系型的、分布式的、开源的、水平可扩展的。原始的目的是为了大规模web应用，这场运动开始于2009年初，通常特性应用如：模式自由、支持简易复制、简单的API、最终的一致性（非ACID）、大容量数据等。NoSQL被我们用得最多的当数key-value存储，当然还有其他的文档型的、列存储、图型数据库、xml数据库等。

Windows下mongodb的安装

Linux下mongodb的安装

注册新浪微博账号（163邮箱、手机号）

　　 创建完毕需要填写手机号验证

进入新浪开放者平台：http://open.weibo.com/

点击继续创建

初次创建应用需要填写如下信息：

此页面信息不需要填写真实信息，如地区，电话，可随意填写。网站填https://www.baidu.com/即可。(邮箱要真实)

继续创建应用。应用名称自定义，平台如下勾选 ios 、andrioid

创建完毕直接返回继续创建，一个账号可以创建10个应用，每个应用对应一个access-token(事实上我只用了一个就可以满足需求)

前往API测试平台

依次选取创建的应用。点将下方的token用txt保存即可。

获取key

回到

点击我的应用

然后选择自己刚刚创建的应用

进入之后点击应用信息

保存下　APP Key 和　APP Secret

点击高级信息

设置回调网址

可以设置成默认的
http://api.weibo.com/oauth2/d...

至此你的开发者账号就已经完成了

requests和pymongo的安装

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

也可以在Pycharm里面直接安装

选择File -> Settings -> Project -> Project Interpreter

可以看到自己安装的Python库，点击右边的绿色　＋　 号

安装即可

授权机制说明（很重要）

网上很多讲利用新浪微博API发送微博什么的都是使用的请求用户授权Token这种方式，但是这种方式显然不适用于我们爬取数据，因为每次都要请求，每次都要重新获取code。具体可参考新浪微博API的授权机制

廖雪峰老师(sinaweibopy 的贡献者）也对这个授权机制有一个说明

通过新浪微博的API接入网站，由于用户无需在您的网站上注册，就可以直接?使用他／她在新浪微博的帐号和口令登录您的网站，这就需要确保您的网站在无需知道，也不能知道用户口令的情况下确认用户已经登录成功。由于用户的口令存储在新浪微博，因此，认证用户的过程只能由新浪微博完成，但新浪微博如何与您的网站通信并告知您用户是否登录成功呢？这个过程称之为第三方登录，OAuth是一个标准的第三方登录协议，借助OAuth，您的网站就可以安全地接入来自新浪微博登录成功的用户。
OAuth目前主要有1.0和2.0两个版本，2.0版对1.0版做了大量简化，API也更简单。新浪微博最新的API也是采用的OAuth 2.0，整个登录流程如下：

用户在您的网站上点击“使用新浪微博登录”，您的网站将用户重定向到新浪微博的OAuth认证页，重定向链接中包含client_id参数作为您的网站ID，redirect_uri参数告诉新浪微博当用户登录成功后，将浏览器重定向到您的网站；
用户在新浪微博的认证页输入帐号和口令；
新浪微博认证成功后，将浏览器重定向到您的网站，并附上code参数；
您的网站通过code参数向新浪微博请求用户的access token；
您的网站拿到用户的access token后，用户登录完成。

OAuth的access token是提供认证服务的网站（例如新浪微博）生成的令牌，代表一个用户认证信息。在随后的API调用中，传入该access token就代表这个登录用户，这样，通过OAuth协议，您的网站将验证用户的步骤交给新浪微博完成，并由新浪微博告知您用户是否登录成功。
OAuth的安全性是通过步骤4完成的，通过code参数获取access token的过程是您的网站后台到新浪微博网站完成的，用户无法看到获取access token的HTTP请求。如果用户传入伪造的code，则新浪微博会返回一个错误。

具体内容请看廖雪峰老师的文档

大致上来说按照一般的请求用户授权Token调用会出现这种情况：

获取code

登陆后会调转到一个连接https://api.weibo.com/oauth2/...××××××××　

我们所需要的就是code=××××××××××　的值

怎么解决问题呢？首先我们想到的自然是在Python程序里面模拟登录新浪微博，然后自然可以获取到code的值，但是，模拟新浪微博登录相对来说比较复杂，而且既然都模拟登录成功了，为啥还要调用API呢...直接自定义进行抓取不是更加方便。

如果看了上面的那个授权机制，就应该想到。这个时候就需要我们之前申请的access-token了

access-token 根据我的理解就是把你的微博授权给了第三方让他帮你做一些事情，类似于在你的手机端通过新浪微博来登录然后进行操作(利用上面授权机制里面讲的一句话来说就是)_移动端应用可直接使用官方移动SDK，通过呼起微博客户端（未安装微博客户端的会呼起H5授权页）方式授权_

这个界面你应该很熟悉

新浪也给出了说明Oauth2/access token

有了token之后，实现抓取数据就十分简单了
能抓取数据的多少就取决于你的token权限了

接下来就是利用API来获取数据了：新建一个文件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():
#授权

    while True:
        #调用statuses__public_timeline的api接口
        params = {
            "access_token": ACCESS_TOKEN
        }

        statuses = requests.get(url=URL, params=params).json()["statuses"]
        length = len(statuses)
        #这是后来我为了查看获取微博条数设置的
        print length

        #连接mongodb,不需要本地的额外配置
        Monclient = MongoClient("localhost", 27017)
        db = Monclient["Weibo"]
        WeiboData = db["HadSelected"]

        #获取的各个数据名应该可以清楚的看出来对应的是什么数据
        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()

刚开始我的代码是这样的，看起来已经完成了。

但是，因为新浪会限制你的调用次数，后来我试了一下重新运行,结果发现了一个问题，我之前的_print length_ 出来的每行获取值都不一样，总是在１６－２０之间徘徊，这说明了我每次重新运行获取的数据都不一样.然后我想算了，干脆写个死循环看他什么时候再被封吧。于是代码就变成了下面这样

把run()删除，换成下面这个死循环。

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

结果他就一直运行下去了...运行了四天还没有被封，估计是封不了了...

其他接口也是一样使用，只用改变url和params就行，具体参数参照新浪微博API文档

开始我发现一天可以获取800万的数据，把我给乐的...后来发现好多好多重复的数据。最后找了半天的解决方案，在mongodb中根据用户的id和创建的时间这两点建立索引(因为一个人不可能在同一时刻发送两条微博),最后没有重复数据大概一天可以获取100万条左右的信息。

8aoy1.cn