https://github.com/dataabc/weibo-crawler

新浪微博爬虫，用python爬取新浪微博数据，并下载微博图片和微博视频
https://github.com/dataabc/weibo-crawler

crawler weibo weibo-spider

Last synced: about 2 months ago
JSON representation

新浪微博爬虫，用python爬取新浪微博数据，并下载微博图片和微博视频

• Host: GitHub
• URL: https://github.com/dataabc/weibo-crawler
• Owner: dataabc
• Created: 2019-06-25T14:56:20.000Z (about 5 years ago)
• Default Branch: master
• Last Pushed: 2024-07-17T16:24:40.000Z (2 months ago)
• Last Synced: 2024-07-17T20:16:36.072Z (2 months ago)
• Topics: crawler, weibo, weibo-spider
• Language: Python
• Homepage:
• Size: 245 KB
• Stars: 3,234
• Watchers: 47
• Forks: 738
• Open Issues: 291
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
* [功能](#功能)

* [输出](#输出)

* [实例](#实例)

* [运行环境](#运行环境)

* [使用说明](#使用说明)

  * [下载脚本](#1下载脚本)

  * [安装依赖](#2安装依赖)

  * [程序设置](#3程序设置)

  * [设置数据库（可选）](#4设置数据库可选)

  * [运行脚本](#5运行脚本)

  * [按需求修改脚本（可选）](#6按需求修改脚本可选)

  * [定期自动爬取微博（可选）](#7定期自动爬取微博可选)

  * [使用docker](#8使用docker)

* [如何获取user_id](#如何获取user_id)

* [添加cookie与不添加cookie的区别（可选）](#添加cookie与不添加cookie的区别可选)

* [如何获取cookie（可选）](#如何获取cookie可选)

* [如何检测cookie是否有效（可选）](#如何检测cookie是否有效可选)

## 功能

连续爬取**一个**或**多个**新浪微博用户（如[Dear-迪丽热巴](https://weibo.cn/u/1669879400)、[郭碧婷](https://weibo.cn/u/1729370543)）的数据，并将结果信息写入文件。写入信息几乎包括了用户微博的所有数据，主要有**用户信息**和**微博信息**两大类，前者包含用户昵称、关注数、粉丝数、微博数等等；后者包含微博正文、发布时间、发布工具、评论数等等，因为内容太多，这里不再赘述，详细内容见[输出](#输出)部分。具体的写入文件类型如下：

* 写入**csv文件**（默认）

* 写入**json文件**（可选）

* 写入**MySQL数据库**（可选）

* 写入**MongoDB数据库**（可选）

* 写入**SQLite数据库**（可选）

* 下载用户**原创**微博中的原始**图片**（可选）

* 下载用户**转发**微博中的原始**图片**（可选）

* 下载用户**原创**微博中的**视频**（可选）

* 下载用户**转发**微博中的**视频**（可选）

* 下载用户**原创**微博**Live Photo**中的**视频**（可选）

* 下载用户**转发**微博**Live Photo**中的**视频**（可选）

* 下载用户**原创和转发**微博下的一级评论（可选）

* 下载用户**原创和转发**微博下的转发（可选）

如果你只对用户信息感兴趣，而不需要爬用户的微博，也可以通过设置实现只爬取微博用户信息的功能。程序也可以实现**爬取结果自动更新**，即：现在爬取了目标用户的微博，几天之后，目标用户可能又发新微博了。通过设置，可以实现每隔几天**增量爬取**用户这几天发的新微博。具体方法见[定期自动爬取微博](#7定期自动爬取微博可选)。

## 输出

**用户信息**

* 用户id：微博用户id，如"1669879400"

* 用户昵称：微博用户昵称，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

* 教育经历：用户上学时学校的名字

* 公司：用户所属公司名字

* 阳光信用：用户的阳光信用

* 微博注册时间：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）

* 粉丝数：用户的粉丝数

* 关注数：用户关注的微博数量

* 简介：用户简介

* 主页地址：微博移动版主页url，如

* 头像url：用户头像url

* 高清头像url：用户高清头像url

* 微博等级：用户微博等级

* 会员等级：微博会员用户等级，普通用户该等级为0

* 是否认证：用户是否认证，为布尔类型

* 认证类型：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：微博的id，为一串数字形式

* 微博bid：微博的bid，与[cookie版](https://github.com/dataabc/weiboSpider)中的微博id是同一个值

* 微博内容：微博正文

* 头条文章url：微博中头条文章的url，如果微博中存在头条文章，就获取该头条文章的url，否则该值为''

* 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，则每个url以英文逗号分隔，若没有图片则值为''

* 视频url: 微博中的视频url和Live Photo中的视频url，若某条微博存在多个视频，则每个url以英文分号分隔，若没有视频则值为''

* 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，精确到天

* 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，若没有则值为''

* 话题：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：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：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

* 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"形式

* 微博图片：微博中的图片，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：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

## 实例

以爬取迪丽热巴的微博为例，我们需要修改**config.json**文件，文件内容如下：

```

{

    "user_id_list": ["1669879400"],

    "only_crawl_original": 1,

    "since_date": "1900-01-01",

    "query_list": [],

    "write_mode": ["csv"],

    "original_pic_download": 1,

    "retweet_pic_download": 0,

    "original_video_download": 1,

    "retweet_video_download": 0,

    "cookie": "your cookie"

}

```

对于上述参数的含义以及取值范围，这里仅作简单介绍，详细信息见[程序设置](#3程序设置)。

>**user_id_list**代表我们要爬取的微博用户的user_id，可以是一个或多个，也可以是文件路径，微博用户Dear-迪丽热巴的user_id为1669879400，具体如何获取user_id见[如何获取user_id](#如何获取user_id)；

**only_crawl_original**的值为1代表爬取全部原创微博，值为0代表爬取全部微博（原创+转发）；

**since_date**代表我们要爬取since_date日期之后发布的微博，因为我要爬迪丽热巴的全部原创微博，所以since_date设置了一个非常早的值；

query_list代表要爬取的微博关键词，为空（[]）则爬取全部；

**write_mode**代表结果文件的保存类型，我想要把结果写入csv文件和json文件，所以它的值为["csv", "json"]，如果你想写入数据库，具体设置见[设置数据库](#4设置数据库可选)；

**original_pic_download**值为1代表下载原创微博中的图片，值为0代表不下载；

**retweet_pic_download**值为1代表下载转发微博中的图片，值为0代表不下载；

**original_video_download**值为1代表下载原创微博中的视频，值为0代表不下载；

**retweet_video_download**值为1代表下载转发微博中的视频，值为0代表不下载；

**cookie**是可选参数，可填可不填，具体区别见[添加cookie与不添加cookie的区别](#添加cookie与不添加cookie的区别可选)。

配置完成后运行程序：

```bash

python weibo.py

```

程序会自动生成一个weibo文件夹，我们以后爬取的所有微博都被存储在weibo文件夹里。然后程序在该文件夹下生成一个名为"Dear-迪丽热巴"的文件夹，迪丽热巴的所有微博爬取结果都在这里。"Dear-迪丽热巴"文件夹里包含一个csv文件、一个img文件夹和一个video文件夹，img文件夹用来存储下载到的图片，video文件夹用来存储下载到的视频。如果你设置了保存数据库功能，这些信息也会保存在数据库里，数据库设置见[设置数据库](#4设置数据库可选)部分。

**csv文件结果如下所示：**

![](https://picture.cognize.me/cognize/github/weibo-crawler/weibo_csv.png)*1669879400.csv*

本csv文件是爬取“全部微博”(原创微博+转发微博)的结果文件。因为迪丽热巴很多微博本身都没有图片、发布工具、位置、话题和@用户等信息，所以当这些内容没有时对应位置为空。"是否原创"列用来标记是否为原创微博，

当为转发微博时，文件中还包含转发微博的信息。为了简便起见，姑且将转发微博中被转发的原始微博称为**源微博**，它的用户id、昵称、微博id等都在名称前加上源字，以便与目标用户自己发的微博区分。对于转发微博，程序除了获取用户原创部分的信息，还会获取**源用户id**、**源用户昵称**、**源微博id**、**源微博正文**、**源微博原始图片url**、**源微博位置**、**源微博日期**、**源微博工具**、**源微博点赞数**、**源微博评论数**、**源微博转发数**、**源微博话题**、**源微博@用户**等信息。原创微博因为没有这些转发信息，所以对应位置为空。若爬取的是"全部**原创**微博"，则csv文件中不会包含"是否原创"及其之后的转发属性列；

为了说明json结果文件格式，这里以迪丽热巴2019年12月27日到2019年12月28日发的2条微博为例。

**json结果文件格式如下：**

```

{

    "user": {

        "id": "1669879400",

        "screen_name": "Dear-迪丽热巴",

        "gender": "f",

        "birthday": "双子座",

        "location": "上海",

        "education": "上海戏剧学院",

        "company": "嘉行传媒",

        "registration_time": "2010-07-02",

        "sunshine": "信用极好",

        "statuses_count": 1121,

        "followers_count": 66395881,

        "follow_count": 250,

        "description": "一只喜欢默默表演的小透明。工作联系[email protected] 🍒",

        "profile_url": "https://m.weibo.cn/u/1669879400?uid=1669879400&luicode=10000011&lfid=1005051669879400",

        "profile_image_url": "https://tvax2.sinaimg.cn/crop.0.0.1080.1080.180/63885668ly8gb5sqc19mqj20u00u0mz5.jpg?KID=imgbed,tva&Expires=1584108150&ssig=Zay1N7KhK1",

        "avatar_hd": "https://wx2.sinaimg.cn/orj480/63885668ly8gb5sqc19mqj20u00u0mz5.jpg",

        "urank": 44,

        "mbrank": 7,

        "verified": true,

        "verified_type": 0,

        "verified_reason": "嘉行传媒签约演员　"

    },

    "weibo": [

        {

            "user_id": 1669879400,

            "screen_name": "Dear-迪丽热巴",

            "id": 4454572602912349,

            "bid": "ImTGkcdDn",

            "text": "今天的#星光大赏#  ",

            "pics": "https://wx3.sinaimg.cn/large/63885668ly1gacppdn1nmj21yi2qp7wk.jpg,https://wx4.sinaimg.cn/large/63885668ly1gacpphkj5gj22ik3t0b2d.jpg,https://wx4.sinaimg.cn/large/63885668ly1gacppb4atej22yo4g04qr.jpg,https://wx2.sinaimg.cn/large/63885668ly1gacpn0eeyij22yo4g04qr.jpg",

            "video_url": "",

            "location": "",

            "created_at": "2019-12-28",

            "source": "",

            "attitudes_count": 551894,

            "comments_count": 182010,

            "reposts_count": 1000000,

            "topics": "星光大赏",

            "at_users": ""

        },

        {

            "user_id": 1669879400,

            "screen_name": "Dear-迪丽热巴",

            "id": 4454081098040623,

            "bid": "ImGTzxJJt",

            "text": "我最爱用的娇韵诗双萃精华穿上限量“金”装啦，希望阿丝儿们跟我一起在新的一年更美更年轻，喜笑颜开没有细纹困扰！限定新春礼盒还有祝福悄悄话，大家了解一下～",

            "pics": "",

            "video_url": "",

            "location": "",

            "created_at": "2019-12-27",

            "source": "",

            "attitudes_count": 190840,

            "comments_count": 43523,

            "reposts_count": 1000000,

            "topics": "",

            "at_users": "",

            "retweet": {

                "user_id": 1684832145,

                "screen_name": "法国娇韵诗",

                "id": 4454028484570123,

                "bid": "ImFwIjaTF",

                "text": "#点萃成金 年轻焕新# 将源自天然的植物力量，转化为滴滴珍贵如金的双萃精华。这份点萃成金的独到匠心，只为守护娇粉们的美丽而来。点击视频，与@Dear-迪丽热巴 一同邂逅新年限量版黄金双萃，以闪耀开运金，送上新春宠肌臻礼。 跟着迪迪选年货，还有双重新春惊喜，爱丽丝们看这里！ 第一重参与微淘活动邀请好友关注娇韵诗天猫旗舰店，就有机会赢取限量款热巴新年礼盒，打开就能聆听仙女迪亲口送出的新春祝福哦！点击网页链接下单晒热巴同款黄金双萃，并且@法国娇韵诗，更有机会获得热巴亲笔签名的礼盒哦！ 第二重转评说出新年希望娇韵诗为你解决的肌肤愿望，截止至1/10，小娇将从铁粉中抽取1位娇粉送出限量版热巴定制礼盒，抽取3位娇粉送出热巴明信片1张～ #迪丽热巴代言娇韵诗#养成同款御龄美肌，就从现在开始。法国娇韵诗的微博视频",

                "pics": "",

                "video_url": "http://f.video.weibocdn.com/003vQjnRlx07zFkxIMjS010412003bNx0E010.mp4?label=mp4_hd&template=852x480.25.0&trans_finger=62b30a3f061b162e421008955c73f536&Expires=1578322522&ssig=P3ozrNA3mv&KID=unistore,video",

                "location": "",

                "created_at": "2019-12-27",

                "source": "微博 weibo.com",

                "attitudes_count": 18389,

                "comments_count": 3201,

                "reposts_count": 1000000,

                "topics": "点萃成金 年轻焕新,迪丽热巴代言娇韵诗",

                "at_users": "Dear-迪丽热巴,法国娇韵诗"

            }

        }

    ]

}

```

*1669879400.json*

**下载的图片如下所示：**

![](https://picture.cognize.me/cognize/github/weibo-crawler/img.png)*img文件夹*

本次下载了788张图片，大小一共1.21GB，包括她原创微博中的所有图片。图片名为yyyymmdd+微博id的形式，若某条微博存在多张图片，则图片名中还会包括它在微博图片中的序号。若某图片下载失败，程序则会以“weibo_id:pic_url”的形式将出错微博id和图片url写入同文件夹下的not_downloaded.txt里；若图片全部下载成功则不会生成not_downloaded.txt；

**下载的视频如下所示：**

![](https://picture.cognize.me/cognize/github/weibo-crawler/video.png)*video文件夹*

本次下载了66个视频，是她原创微博中的视频和原创微博Live Photo中的视频，视频名为yyyymmdd+微博id的形式。有三个视频因为网络原因下载失败，程序将它们的微博id和视频url分别以“weibo_id:video_url”的形式写到了同文件夹下的not_downloaded.txt里。

因为我本地没有安装MySQL数据库和MongoDB数据库，所以暂时设置成不写入数据库。如果你想要将爬取结果写入数据库，只需要先安装数据库（MySQL或MongoDB），再安装对应包（pymysql或pymongo），然后将mysql_write或mongodb_write值设置为1即可。写入MySQL需要用户名、密码等配置信息，这些配置如何设置见[设置数据库](#4设置数据库可选)部分。

## 运行环境

* 开发语言：python2/python3

* 系统： Windows/Linux/macOS

## 使用说明

### 1.下载脚本

```bash

git clone https://github.com/dataabc/weibo-crawler.git

```

运行上述命令，将本项目下载到当前目录，如果下载成功当前目录会出现一个名为"weibo-crawler"的文件夹；

### 2.安装依赖

```bash

pip install -r requirements.txt

```

### 3.程序设置

打开**config.json**文件，你会看到如下内容：

```

{

    "user_id_list": ["1669879400"],

    "only_crawl_original": 1,

    "remove_html_tag": 1,

    "since_date": "2018-01-01",

    "write_mode": ["csv"],

    "original_pic_download": 1,

    "retweet_pic_download": 0,

    "original_video_download": 1,

    "retweet_video_download": 0,

    "download_comment":1,

    "comment_max_download_count":1000,

    "download_repost": 1,

    "repost_max_download_count": 1000,

    "user_id_as_folder_name": 0,

    "cookie": "your cookie",

    "mysql_config": {

        "host": "localhost",

        "port": 3306,

        "user": "root",

        "password": "123456",

        "charset": "utf8mb4"

    },

    "mongodb_URI": "mongodb://[username:password@]host[:port][/[defaultauthdb][?options]]",

    "post_config": {

        "api_url": "https://api.example.com",

        "api_token": ""

    }

}

```

下面讲解每个参数的含义与设置方法。

**设置user_id_list**

user_id_list是我们要爬取的微博的id，可以是一个，也可以是多个，例如：

```

"user_id_list": ["1223178222", "1669879400", "1729370543"],

```

上述代码代表我们要连续爬取user_id分别为“1223178222”、 “1669879400”、 “1729370543”的三个用户的微博，具体如何获取user_id见[如何获取user_id](#如何获取user_id)。

user_id_list的值也可以是文件路径，我们可以把要爬的所有微博用户的user_id都写到txt文件里，然后把文件的位置路径赋值给user_id_list。

在txt文件中，每个user_id占一行，也可以在user_id后面加注释（可选），如用户昵称等信息，user_id和注释之间必需要有空格，文件名任意，类型为txt，位置位于本程序的同目录下，文件内容示例如下：

```

1223178222 胡歌

1669879400 迪丽热巴

1729370543 郭碧婷

```

假如文件叫user_id_list.txt，则user_id_list设置代码为：

```

"user_id_list": "user_id_list.txt",

```

**设置only_crawl_original**

only_crawl_original控制爬取范围，值为1代表爬取全部原创微博，值为0代表爬取全部微博（原创+转发）。例如，如果要爬全部原创微博，请使用如下代码：

```

"only_crawl_original": 1,

```

**设置since_date**

since_date值可以是日期，也可以是整数。如果是日期，代表爬取该日期之后的微博，格式应为“yyyy-mm-dd”，如：

```

"since_date": "2018-01-01",

```

代表爬取从2018年1月1日到现在的微博。

如果是整数，代表爬取最近n天的微博，如:

```

"since_date": 10,

```

代表爬取最近10天的微博，这个说法不是特别准确，准确说是爬取发布时间从**10天前到本程序开始执行时**之间的微博。

**since_date是所有user的爬取起始时间，非常不灵活。如果你要爬多个用户，并且想单独为每个用户设置一个since_date，可以使用[定期自动爬取微博](#7定期自动爬取微博可选)方法二中的方法，该方法可以为多个用户设置不同的since_date，非常灵活**。

**设置query_list(可选)**

query_list是一个关键词字符串列表或以`,`分隔关键词的字符串，用于指定关键词搜索爬取，若为空`[]`或`""`则爬取全部微博。例如要爬取用户包含“梦想”和“希望”的微博，则设定如下：

```

"query_list": ["梦想","希望"],

"query_list": "梦想,希望",

```

请注意，关键词搜索必须设定`cookie`信息。

**query_list是所有user的爬取关键词，非常不灵活。如果你要爬多个用户，并且想单独为每个用户设置一个query_list，可以使用[定期自动爬取微博](#7定期自动爬取微博可选)方法二中的方法，该方法可以为多个用户设置不同的query_list，非常灵活**。

**设置remove_html_tag**

remove_html_tag控制是否移除抓取到的weibo正文和评论中的html tag，值为1代表移除，值为0代表不移除，如

```

"remove_html_tag": 1,

```

代表移除html tag。例如`专属新意，色彩启程~@路易威登 CAPUCINES 手袋正合我意，打开灵感包袋的搭配新方式！`会被处理成`专属新意，色彩启程~@路易威登 CAPUCINES 手袋正合我意，打开灵感包袋的搭配新方式！`。

**设置write_mode**

write_mode控制结果文件格式，取值范围是csv、json、post、mongo、mysql和sqlite，分别代表将结果写入csv、json文件，通过POST发出，MongoDB、MySQL和SQLite数据库。write_mode可以同时包含这些取值中的一个或几个，如：

```

"write_mode": ["csv", "json"],

```

代表将结果信息写入csv文件和json文件。特别注意，如果你想写入数据库，除了在write_mode添加对应数据库的名字外，还应该安装相关数据库和对应python模块，具体操作见[设置数据库](#4设置数据库可选)部分。

**设置original_pic_download**

original_pic_download控制是否下载**原创**微博中的图片，值为1代表下载，值为0代表不下载，如

```

"original_pic_download": 1,

```

代表下载原创微博中的图片。

**设置retweet_pic_download**

retweet_pic_download控制是否下载**转发**微博中的图片，值为1代表下载，值为0代表不下载，如

```

"retweet_pic_download": 0,

```

代表不下载转发微博中的图片。特别注意，本设置只有在爬全部微博（原创+转发），即only_crawl_original值为0时生效，否则程序会跳过转发微博的图片下载。

**设置original_video_download**

original_video_download控制是否下载**原创**微博中的视频和**原创**微博**Live Photo**中的视频，值为1代表下载，值为0代表不下载，如

```

"original_video_download": 1,

```

代表下载原创微博中的视频和原创微博Live Photo中的视频。

**设置retweet_video_download**

retweet_video_download控制是否下载**转发**微博中的视频和**转发**微博**Live Photo**中的视频，值为1代表下载，值为0代表不下载，如

```

"retweet_video_download": 0,

```

代表不下载转发微博中的视频和转发微博Live Photo中的视频。特别注意，本设置只有在爬全部微博（原创+转发），即only_crawl_original值为0时生效，否则程序会跳过转发微博的视频下载。

**设置user_id_as_folder_name**

user_id_as_folder_name控制结果文件的目录名，可取值为0和1，默认为0：

```

"user_id_as_folder_name": 0,

```

值为0，表示将结果文件保存在以用户昵称为名的文件夹里，这样结果更清晰；值为1表示将结果文件保存在以用户id为名的文件夹里，这样能保证多次爬取的一致性，因为用户昵称可变，用户id不可变。

**设置download_comment**

download_comment控制是否下载每条微博下的一级评论（不包括对评论的评论），仅当write_mode中有sqlite时有效，可取值为0和1，默认为1：

```

"download_comment": 1,

```

值为1，表示下载微博评论；值为0，表示不下载微博评论。

**设置comment_max_download_count**

comment_max_download_count控制下载评论的最大数量，仅当write_mode中有sqlite时有效，默认为1000：

```

"comment_max_download_count": 1000,

```

**设置download_repost**

download_repost控制是否下载每条微博下的转发，仅当write_mode中有sqlite时有效，可取值为0和1，默认为1：

```

"download_repost": 1,

```

值为1，表示下载微博转发；值为0，表示不下载微博转发。

**设置repost_max_download_count**

repost_max_download_count控制下载转发的最大数量，仅当write_mode中有sqlite时有效，默认为1000：

```

"repost_max_download_count": 1000,

```

值为1000，表示最多下载每条微博下的1000条转发。

**设置cookie（可选）**

cookie为可选参数，即可填可不填，具体区别见[添加cookie与不添加cookie的区别](#添加cookie与不添加cookie的区别可选)。cookie默认配置如下：

```

"cookie": "your cookie",

```

如果想要设置cookie，可以按照[如何获取cookie](#如何获取cookie可选)中的方法，获取cookie，并将上面的"your cookie"替换成真实的cookie即可。

**设置mysql_config（可选）**

mysql_config控制mysql参数配置。如果你不需要将结果信息写入mysql，这个参数可以忽略，即删除或保留都无所谓；如果你需要写入mysql且config.json文件中mysql_config的配置与你的mysql配置不一样，请将该值改成你自己mysql中的参数配置。

**设置mongodb_URI（可选）**

mongodb_URI是mongodb的连接字符串。如果你不需要将结果信息写入mongodb，这个参数可以忽略，即删除或保留都无所谓；如果你需要写入mongodb，则需要配置为[完整的mongodb URI](https://www.mongodb.com/docs/manual/reference/connection-string/)。

**设置start_page（可选）**

start_page为爬取微博的初始页数，默认参数为1，即从所爬取用户的当前第一页微博内容开始爬取。

若在大批量爬取微博时出现中途被限制中断的情况，可通过查看csv文件内目前已爬取到的微博数除以10，向下取整后的值即为中断页数，手动设置start_page参数为中断页数，重新运行即可从被中断的节点继续爬取剩余微博内容。

### 4.设置数据库（可选）

本部分是可选部分，如果不需要将爬取信息写入数据库，可跳过这一步。本程序目前支持MySQL数据库和MongoDB数据库，如果你需要写入其它数据库，可以参考这两个数据库的写法自己编写。

**MySQL数据库写入**

要想将爬取信息写入MySQL，请根据自己的系统环境安装MySQL，然后命令行执行：

```bash

pip install pymysql

```

**MongoDB数据库写入**

要想将爬取信息写入MongoDB，请根据自己的系统环境安装MongoDB，然后命令行执行：

```

pip install pymongo

```

MySQL和MongDB数据库的写入内容一样。程序首先会创建一个名为"weibo"的数据库，然后再创建"user"表和"weibo"表，包含爬取的所有内容。爬取到的微博**用户信息**或插入或更新，都会存储到user表里；爬取到的**微博信息**或插入或更新，都会存储到weibo表里，两个表通过user_id关联。如果想了解两个表的具体字段，请点击"详情"。

详情

**user**表

**id**：微博用户id，如"1669879400"；

**screen_name**：微博用户昵称，如"Dear-迪丽热巴"；

**gender**：微博用户性别，取值为f或m，分别代表女和男；

**birthday**：生日；

**location**：所在地；

**education**：教育经历；

**company**：公司；

**sunshine**：阳光信用；

**registration_time**：注册时间；

**statuses_count**：微博数；

**followers_count**：粉丝数；

**follow_count**：关注数；

**description**：微博简介；

**profile_url**：微博主页，如;

**profile_image_url**：微博头像url；

**avatar_hd**：微博高清头像url；

**urank**：微博等级；

**mbrank**：微博会员等级，普通用户会员等级为0；

**verified**：微博是否认证，取值为true和false；

**verified_type**：微博认证类型，没有认证值为-1，个人认证值为0，企业认证值为2，政府认证值为3，这些类型仅是个人猜测，应该不全，大家可以根据实际情况判断；

**verified_reason**：微博认证信息，只有认证用户拥有此属性。

***

**weibo**表

**user_id**：存储微博用户id，如"1669879400"；

**screen_name**：存储微博昵称，如"Dear-迪丽热巴"；

**id**：存储微博id；

**text**：存储微博正文；

**article_url**：存储微博中头条文章的url，如果微博中存在头条文章，就获取该头条文章的url，否则该值为''；

**pics**：存储原创微博的原始图片url。若某条微博有多张图片，则存储多个url，以英文逗号分割；若该微博没有图片，则值为''；

**video_url**：存储原创微博的视频url和Live Photo中的视频url。若某条微博有多个视频，则存储多个url，以英文分号分割；若该微博没有视频，则值为''；

**location**：存储微博的发布位置。若某条微博没有位置信息，则值为''；

**created_at**：存储微博的发布时间；

**source**：存储微博的发布工具；

**attitudes_count**：存储微博获得的点赞数；

**comments_count**：存储微博获得的评论数；

**reposts_count**：存储微博获得的转发数；

**topics**：存储微博话题，即两个#中的内容。若某条微博没有话题信息，则值为''；

**at_users**：存储微博@的用户。若某条微博没有@的用户，则值为''；

**retweet_id**：存储转发微博中原始微博的微博id。若某条微博为原创微博，则值为''。

**SQLite数据库写入**

脚本会自动建立并配置数据库文件`weibodata.db`。

### 5.运行脚本

大家可以根据自己的运行环境选择运行方式，Linux可以通过

```bash

python weibo.py

```

运行;

### 6.按需求修改脚本（可选）

本部分为可选部分，如果你不需要自己修改代码或添加新功能，可以忽略此部分。

本程序所有代码都位于weibo.py文件，程序主体是一个Weibo类，上述所有功能都是通过在main函数调用Weibo类实现的，默认的调用代码如下：

```python

        if not os.path.isfile('./config.json'):

            sys.exit(u'当前路径：%s 不存在配置文件config.json' %

                     (os.path.split(os.path.realpath(__file__))[0] + os.sep))

        with open('./config.json') as f:

            config = json.loads(f.read())

        wb = Weibo(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Weibo类。

通过执行本程序，我们可以得到很多信息：

**wb.user**：存储目标微博用户信息；

wb.user包含爬取到的微博用户信息，如**用户id**、**用户昵称**、**性别**、**生日**、**所在地**、**教育经历**、**公司**、**阳光信用**、**微博注册时间**、**微博数**、**粉丝数**、**关注数**、**简介**、**主页地址**、**头像url**、**高清头像url**、**微博等级**、**会员等级**、**是否认证**、**认证类型**、**认证信息**等，大家可以点击"详情"查看具体用法。

详情

**id**：微博用户id，取值方式为wb.user['id'],由一串数字组成；

**screen_name**：微博用户昵称，取值方式为wb.user['screen_name']；

**gender**：微博用户性别，取值方式为wb.user['gender']，取值为f或m，分别代表女和男；

**birthday**：微博用户生日，取值方式为wb.user['birthday']，若用户没有填写该信息，则值为''；

**location**：微博用户所在地，取值方式为wb.user['location']，若用户没有填写该信息，则值为''；

**education**：微博用户上学时的学校，取值方式为wb.user['education']，若用户没有填写该信息，则值为''；

**company**：微博用户所属的公司，取值方式为wb.user['company']，若用户没有填写该信息，则值为''；

**sunshine**：微博用户的阳光信用，取值方式为wb.user['sunshine']；

**registration_time**：微博用户的注册时间，取值方式为wb.user['registration_time']；

**statuses_count**：微博数，取值方式为wb.user['statuses_count']；

**followers_count**：微博粉丝数，取值方式为wb.user['followers_count']；

**follow_count**：微博关注数，取值方式为wb.user['follow_count']；

**description**：微博简介，取值方式为wb.user['description']；

**profile_url**：微博主页，取值方式为wb.user['profile_url'];

**profile_image_url**：微博头像url，取值方式为wb.user['profile_image_url']；

**avatar_hd**：微博高清头像url，取值方式为wb.user['avatar_hd']；

**urank**：微博等级，取值方式为wb.user['urank']；

**mbrank**：微博会员等级，取值方式为wb.user['mbrank']，普通用户会员等级为0；

**verified**：微博是否认证，取值方式为wb.user['verified']，取值为true和false；

**verified_type**：微博认证类型，取值方式为wb.user['verified_type']，没有认证值为-1，个人认证值为0，企业认证值为2，政府认证值为3，这些类型仅是个人猜测，应该不全，大家可以根据实际情况判断；

**verified_reason**：微博认证信息，取值方式为wb.user['verified_reason']，只有认证用户拥有此属性。

**wb.weibo**：存储爬取到的所有微博信息；

wb.weibo包含爬取到的所有微博信息，如**微博id**、**正文**、**原始图片url**、**视频url**、**位置**、**日期**、**发布工具**、**点赞数**、**转发数**、**评论数**、**话题**、**@用户**等。如果爬的是全部微博(原创+转发)，除上述信息之外，还包含**原始用户id**、**原始用户昵称**、**原始微博id**、**原始微博正文**、**原始微博原始图片url**、**原始微博位置**、**原始微博日期**、**原始微博工具**、**原始微博点赞数**、**原始微博评论数**、**原始微博转发数**、**原始微博话题**、**原始微博@用户**等信息。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only_crawl_original=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]['text']为第一条微博的正文，wb.weibo[0]['created_at']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。

详情

**user_id**：存储微博用户id。如wb.weibo[0]['user_id']为最新一条微博的用户id；

**screen_name**：存储微博昵称。如wb.weibo[0]['screen_name']为最新一条微博的昵称；

**id**：存储微博id。如wb.weibo[0]['id']为最新一条微博的id；

**text**：存储微博正文。如wb.weibo[0]['text']为最新一条微博的正文；

**article_url**：存储微博中头条文章的url。如wb.weibo[0]['article_url']为最新一条微博的头条文章url，若微博中不存在头条文章，则该值为''；

**pics**：存储原创微博的原始图片url。如wb.weibo[0]['pics']为最新一条微博的原始图片url，若该条微博有多张图片，则存储多个url，以英文逗号分割；若该微博没有图片，则值为''；

**video_url**：存储原创微博的视频url和原创微博Live Photo中的视频url。如wb.weibo[0]['video_url']为最新一条微博的视频url，若该条微博有多个视频，则存储多个url，以英文分号分割；若该微博没有视频，则值为''；

**location**：存储微博的发布位置。如wb.weibo[0]['location']为最新一条微博的发布位置，若该条微博没有位置信息，则值为''；

**created_at**：存储微博的发布时间。如wb.weibo[0]['created_at']为最新一条微博的发布时间；

**source**：存储微博的发布工具。如wb.weibo[0]['source']为最新一条微博的发布工具；

**attitudes_count**：存储微博获得的点赞数。如wb.weibo[0]['attitudes_count']为最新一条微博获得的点赞数；

**comments_count**：存储微博获得的评论数。如wb.weibo[0]['comments_count']为最新一条微博获得的评论数；

**reposts_count**：存储微博获得的转发数。如wb.weibo[0]['reposts_count']为最新一条微博获得的转发数；

**topics**：存储微博话题，即两个#中的内容。如wb.weibo[0]['topics']为最新一条微博的话题，若该条微博没有话题信息，则值为''；

**at_users**：存储微博@的用户。如wb.weibo[0]['at_users']为最新一条微博@的用户，若该条微博没有@的用户，则值为''；

**retweet**：存储转发微博中原始微博的全部信息。假如wb.weibo[0]为转发微博，则wb.weibo[0]['retweet']为该转发微博的原始微博，它存储的属性与wb.weibo[0]一样，只是没有retweet属性;若该条微博为原创微博，则wb[0]没有"retweet"属性，大家可以点击"详情"查看具体用法。

详情

假设爬取到的第i条微博为转发微博，则它存在以下信息：

**user_id**：存储原始微博用户id。wb.weibo[i-1]['retweet']['user_id']为该原始微博的用户id；

**screen_name**：存储原始微博昵称。wb.weibo[i-1]['retweet']['screen_name']为该原始微博的昵称；

**id**：存储原始微博id。wb.weibo[i-1]['retweet']['id']为该原始微博的id；

**text**：存储原始微博正文。wb.weibo[i-1]['retweet']['text']为该原始微博的正文；

**article_url**：存储原始微博中头条文章的url。如wb.weibo[i-1]['retweet']['article_url']为该原始微博的头条文章url，若原始微博中不存在头条文章，则该值为''；

**pics**：存储原始微博的原始图片url。wb.weibo[i-1]['retweet']['pics']为该原始微博的原始图片url，若该原始微博有多张图片，则存储多个url，以英文逗号分割；若该原始微博没有图片，则值为''；

**video_url**：存储原始微博的视频url和原始微博Live Photo中的视频url。如wb.weibo[i-1]['retweet']['video_url']为该原始微博的视频url，若该原始微博有多个视频，则存储多个url，以英文分号分割；若该微博没有视频，则值为''；

**location**：存储原始微博的发布位置。wb.weibo[i-1]['retweet']['location']为该原始微博的发布位置，若该原始微博没有位置信息，则值为''；

**created_at**：存储原始微博的发布时间。wb.weibo[i-1]['retweet']['created_at']为该原始微博的发布时间；

**source**：存储原始微博的发布工具。wb.weibo[i-1]['retweet']['source']为该原始微博的发布工具；

**attitudes_count**：存储原始微博获得的点赞数。wb.weibo[i-1]['retweet']['attitudes_count']为该原始微博获得的点赞数；

**comments_count**：存储原始微博获得的评论数。wb.weibo[i-1]['retweet']['comments_count']为该原始微博获得的评论数；

**reposts_count**：存储原始微博获得的转发数。wb.weibo[i-1]['retweet']['reposts_count']为该原始微博获得的转发数；

**topics**：存储原始微博话题，即两个#中的内容。wb.weibo[i-1]['retweet']['topics']为该原始微博的话题，若该原始微博没有话题信息，则值为''；

**at_users**：存储原始微博@的用户。wb.weibo[i-1]['retweet']['at_users']为该原始微博@的用户，若该原始微博没有@的用户，则值为''。

### 7.定期自动爬取微博（可选）

我们爬取了微博以后，很多微博账号又可能发了一些新微博，定期自动爬取微博就是每隔一段时间自动运行程序，自动爬取这段时间产生的新微博（忽略以前爬过的旧微博）。本部分为可选部分，如果不需要可以忽略。

思路是**利用第三方软件，如crontab，让程序每隔一段时间运行一次**。因为是要跳过以前爬过的旧微博，只爬新微博。所以需要**设置一个动态的since_date**。很多时候我们使用的since_date是固定的，比如since_date="2018-01-01"，程序就会按照这个设置从最新的微博一直爬到发布时间为2018-01-01的微博（包括这个时间）。因为我们想追加新微博，跳过旧微博。第二次爬取时since_date值就应该是当前时间到上次爬取的时间。 如果我们使用最原始的方式实现追加爬取，应该是这样：

```

假如程序第一次执行时间是2019-06-06，since_date假如为2018-01-01，那这一次就是爬取从2018-01-01到2019-06-06这段时间用户所发的微博；

第二次爬取，我们想要接着上次的爬，需要手动将since_date值设置为上次程序执行的日期，即2019-06-06

```

上面的方法太麻烦，因为每次都要手动设置since_date。因此我们需要动态设置since_date，即程序根据实际情况，自动生成since_date。

有两种方法实现动态更新since_date：

**方法一：将since_date设置成整数**

将config.json文件中的since_date设置成整数，如：

```

"since_date": 10,

```

这个配置告诉程序爬取最近10天的微博，更准确说是爬取发布时间从10天前到本程序开始执行时之间的微博。这样since_date就是一个动态的变量，每次程序执行时，它的值就是当前日期减10。配合crontab每9天或10天执行一次，就实现了定期追加爬取。

**方法二：将上次执行程序的时间写入文件（推荐）**

这个方法很简单，就是用户把要爬的用户id写入txt文件，然后再把文件路径赋值给config.json中的user_id_list参数。

txt文件名格式可以参考[程序设置](#3程序设置)中的设置user_id_list部分，这样设置就全部结束了。

说下这个方法的原理和好处，假如你的txt文件内容为：

```

1669879400

1223178222 胡歌

1729370543 郭碧婷 2019-01-01

```

第一次执行时，因为第一行和第二行都没有写时间，程序会按照config.json文件中since_date的值爬取，第三行有时间“2019-01-01”，程序就会把这个时间当作since_date。每个用户爬取结束程序都会自动更新txt文件，每一行第一部分是user_id，第二部分是用户昵称，第三部分是程序准备爬取该用户第一条微博（最新微博）时的日期。爬完三个用户后，txt文件的内容自动更新为：

```

1669879400 Dear-迪丽热巴 2020-01-18

1223178222 胡歌 2020-01-18

1729370543 郭碧婷 2020-01-18

```

下次再爬取微博的时候，程序会把每行的时间数据作为since_date。这样的好处一是不用修改since_date，程序自动更新；二是每一个用户都可以单独拥有只属于自己的since_date，每个用户的since_date相互独立，互不干扰，格式为`yyyy-mm-dd`或整数。比如，现在又添加了一个新用户，以杨紫的微博为例，你想获取她2018-01-23到现在的全部微博，可以这样修改txt文件：

```

1669879400 迪丽热巴 2020-01-18

1223178222 胡歌 2020-01-18

1729370543 郭碧婷 2020-01-18

1227368500 杨紫 3 梦想,希望

```

注意每一行的用户配置参数以空格分隔，如果第一个参数全部由数字组成，程序就认为此行为一个用户的配置，否则程序会认为该行只是注释，跳过该行；第二个参数可以为任意格式，建议写用户昵称；第三个如果是日期格式（yyyy-mm-dd），程序就将该日期设置为用户自己的since_date，否则使用config.json中的since_date爬取该用户的微博，第二个参数和第三个参数也可以不填。

也可以设置第四个参数，将被读取为query_list。

**方法三：将`const.py`文件中的运行模式改为`append`**

以追加模式运行程序，每次运行，每个id只获取最新的微博，而不是全部，避免频繁备份微博导致过多的请求次数。

注意：

* 该模式会跳过置顶微博。

* 若采集信息后用户又编辑微博，则不会记录编辑内容。

### 8.使用docker

**docker run**

```shell

docker build -t weibo-crawler .

docker run -it -d \

  -v path/to/config.json:/app/config.json \

  -v path/to/weibo:/app/weibo \

  -e schedule_interval=1 \ # 可选：循环间隔（分钟）

  weibo-crawler

```

**docker compose**

```yaml

version: '3'

services:

  weibo-crawler:

    build:

      context: .

      dockerfile: Dockerfile

    volumes:

      - path/to/config.json:/app/config.json

      - path/to/weibo:/app/weibo

    environment:

      - schedule_interval=1 # 可选：循环间隔（分钟）

```

## 如何获取user_id

1.打开网址，搜索我们要找的人，如"迪丽热巴"，进入她的主页；

![](https://picture.cognize.me/cognize/github/weibospider/user_home.png)

2.按照上图箭头所指，点击"资料"链接，跳转到用户资料页面；

![](https://picture.cognize.me/cognize/github/weibospider/user_info.png)

如上图所示，迪丽热巴微博资料页的地址为""，其中的"1669879400"即为此微博的user_id。

事实上，此微博的user_id也包含在用户主页()中，之所以我们还要点击主页中的"资料"来获取user_id，是因为很多用户的主页不是""的形式，而是""或""的形式。其中"微号"和user_id都是一串数字，如果仅仅通过主页地址提取user_id，很容易将"微号"误认为user_id。

## 添加cookie与不添加cookie的区别（可选）

对于微博数2000条及以下的微博用户，不添加cookie可以获取其用户信息和大部分微博；对于微博数2000条以上的微博用户，不添加cookie可以获取其用户信息和最近2000条微博中的大部分，添加cookie可以获取其全部微博。以2020年1月2日迪丽热巴的微博为例，此时她共有1085条微博，在不添加cookie的情况下，可以获取到1026条微博，大约占全部微博的94.56%，而在添加cookie后，可以获取全部微博。其他用户类似，大部分都可以在不添加cookie的情况下获取到90%以上的微博，在添加cookie后可以获取全部微博。具体原因是，大部分微博内容都可以在[移动版](https://m.weibo.cn/)匿名获取，少量微博需要用户登录才可以获取，所以这部分微博在不添加cookie时是无法获取的。

有少部分微博用户，不添加cookie可以获取其微博，无法获取其用户信息。对于这种情况，要想获取其用户信息，是需要cookie的。

如需抓取微博转发，请添加cookie。

## 如何获取cookie（可选）

1.用Chrome打开；

2.输入微博的用户名、密码，登录，如图所示：

![](https://picture.cognize.me/cognize/github/weibospider/cookie1.png)

登录成功后会跳转到;

3.按F12键打开Chrome开发者工具，在地址栏输入并跳转到，跳转后会显示如下类似界面:

![](https://picture.cognize.me/cognize/github/weibospider/cookie2.png)

4.依此点击Chrome开发者工具中的Network->Name中的weibo.cn->Headers->Request Headers，"Cookie:"后的值即为我们要找的cookie值，复制即可，如图所示：

![](https://picture.cognize.me/cognize/github/weibospider/cookie3.png)

## 如何检测cookie是否有效（可选）

本程序cookie检查的逻辑是：使用cookie来源账号发布**限定范围的**微博，若cookie可用，则可以读取到该微博，否则读取不到。

**操作方法**

1. 使用cookie的来源账号发布一条微博，该账号和微博需要满足以下条件：

   * 该微博必须是**非公开可见**的，后续需要根据可见性判断cookie是否有效；

   * 该微博需要是最近5条微博，不能在发布测试用微博内容后又发很多新微博；

   * 在`config.json`配置中的since_date之后，该账号必须有大于9条微博。

2. 将`const.py`文件中`'CHECK': False`中的`False`改为`True`，`'HIDDEN_WEIBO': '微博内容'`中的`微博内容`改为你发的限定范围的微博。

3. 将提供cookie的微博id放置在`config.json`文件中`"user_id_list"`设置项数组中的第一个。例如提供cookie的微博id为`123456`，则`"user_id_list"`设置为`"user_id_list":["123456", "<其余id...>"]`。

注：本方法也将会抓取提供cookie账号的微博内容。

在间歇运行程序时，cookie无效会导致程序不能按照预设目标执行，因此可以打开cookie通知功能。本项目使用开源项目[pushdeer](https://github.com/easychen/pushdeer)进行通知，在使用前用户需要申请push_key，具体可查看官网了解。打开方法为：

1. 在`const.py`文件中，将`'NOTIFY': False`中的`False`设为`True`；

2. 将`'PUSH_KEY': ''`的`''`替换为`'<你的push_key>'`