Scrapy框架的使用之Scrapy爬取新浪微博

本文来自崔大大的文章，：进击的Coder

很多精彩，值得关注

前面讲解了Scrapy中各个模块基本使用方法以及代理池、Cookies池。接下来我们以一个反爬比较强的网站新浪微博为例，来实现一下Scrapy的大规模爬取。

一、本节目标

本次爬取的目标是新浪微博用户的公开基本信息，如用户昵称、头像、用户的关注、粉丝列表以及发布的微博等，这些信息抓取之后保存至MongoDB。

二、准备工作

请确保前文所讲的代理池、Cookies池已经实现并可以正常运行，安装Scrapy、PyMongo库。

三、爬取思路

首先我们要实现用户的大规模爬取。这里采用的爬取方式是，以微博的几个大V为起始点，爬取他们各自的粉丝和关注列表，然后获取粉丝和关注列表的粉丝和关注列表，以此类推，这样下去就可以实现递归爬取。如果一个用户与其他用户有社交网络上的关联，那他们的信息就会被爬虫抓取到，这样我们就可以做到对所有用户的爬取。通过这种方式，我们可以得到用户的唯一ID，再根据ID获取每个用户发布的微博即可。

四、爬取分析

这里我们选取的爬取站点是：，此站点是微博移动端的站点。打开该站点会跳转到登录页面，这是因为主页做了登录限制。不过我们可以绕过登录限制，直接打开某个用户详情页面，例如打开周冬雨的微博，链接为：/u/，即可进入其个人详情页面，如下图所示。

我们在页面最上方可以看到周冬雨的关注和粉丝数量。我们点击关注，进入到她的关注列表，如下图所示。

我们打开开发者工具，切换到XHR过滤器，一直下拉关注列表，即可看到下方会出现很多Ajax请求，这些请求就是获取周冬雨的关注列表的Ajax请求，如下图所示。

我们打开第一个Ajax请求，它的链接为：/api/container/getIndex?containerid=-_followers-_&luicode=&lfid=&featurecode=&type=uid&value=&page=2，详情如下图所示。

请求类型是GET类型，返回结果是JSON格式，我们将其展开之后即可看到其关注的用户的基本信息。接下来我们只需要构造这个请求的参数。此链接一共有7个参数，如下图所示。

其中最主要的参数就是containerid和page。有了这两个参数，我们同样可以获取请求结果。我们可以将接口精简为：/api/container/getIndex?containerid=-_followers-_&page=2，这里的container_id的前半部分是固定的，后半部分是用户的id。所以这里参数就可以构造出来了，只需要修改container_id最后的id和page参数即可获取分页形式的关注列表信息。

利用同样的方法，我们也可以分析用户详情的Ajax链接、用户微博列表的Ajax链接，如下所示：

# 用户详情APIuser_url = /api/container/getIndex?uid={uid}&type=uid&value={uid}&containerid={uid}# 关注列表APIfollow_url = /api/container/getIndex?containerid=_-_followers_-_{uid}&page={page}# 粉丝列表APIfan_url = /api/container/getIndex?containerid=_-_fans_-_{uid}&page={page}# 微博列表APIweibo_url = /api/container/getIndex?uid={uid}&type=uid&page={page}&containerid={uid}

此处的uid和page分别代表用户ID和分页页码。

注意，这个API可能随着时间的变化或者微博的改版而变化，以实测为准。

我们从几个大V开始抓取，抓取他们的粉丝、关注列表、微博信息，然后递归抓取他们的粉丝和关注列表的粉丝、关注列表、微博信息，递归抓取，最后保存微博用户的基本信息、关注和粉丝列表、发布的微博。

我们选择MongoDB作存储的数据库，可以更方便地存储用户的粉丝和关注列表。

五、新建项目

接下来我们用Scrapy来实现这个抓取过程。首先创建一个项目，命令如下所示：

scrapy startproject weibo

进入项目中，新建一个Spider，名为weibocn，命令如下所示：

scrapy genspider weibocn m.weibo.cn

我们首先修改Spider，配置各个Ajax的URL，选取几个大V，将他们的ID赋值成一个列表，实现start_requests()方法，也就是依次抓取各个大V的个人详情，然后用parse_user()进行解析，如下所示：

from scrapy import Request, Spiderclass WeiboSpider(Spider):    name = weibocn    allowed_domains = [m.weibo.cn]    user_url = /api/container/getIndex?uid={uid}&type=uid&value={uid}&containerid={uid}    follow_url = /api/container/getIndex?containerid=_-_followers_-_{uid}&page={page}    fan_url = /api/container/getIndex?containerid=_-_fans_-_{uid}&page={page}    weibo_url = /api/container/getIndex?uid={uid}&type=uid&page={page}&containerid={uid}    start_users = [, , , , , ]    def start_requests(self):        for uid in self.start_users:            yield Request(self.user_url.format(uid=uid), callback=self.parse_user)    def parse_user(self, response):        self.logger.debug(response)

六、创建Item

接下来我们解析用户的基本信息并生成Item。这里我们先定义几个Item，如用户、用户关系、微博的Item，如下所示：

from scrapy import Item, Fieldclass UserItem(Item):    collection = users    id = Field()    name = Field()    avatar = Field()    cover = Field()    gender = Field()    description = Field()    fans_count = Field()    follows_count = Field()    weibos_count = Field()    verified = Field()    verified_reason = Field()    verified_type = Field()    follows = Field()    fans = Field()    crawled_at = Field()class UserRelationItem(Item):    collection = users    id = Field()    follows = Field()    fans = Field()class WeiboItem(Item):    collection = weibos    id = Field()    attitudes_count = Field()    comments_count = Field()    reposts_count = Field()    picture = Field()    pictures = Field()    source = Field()    text = Field()    raw_text = Field()    thumbnail = Field()    user = Field()    created_at = Field()    crawled_at = Field()

这里定义了collection字段，指明保存的Collection的名称。用户的关注和粉丝列表直接定义为一个单独的UserRelationItem，其中id就是用户的ID，follows就是用户关注列表，fans是粉丝列表，但这并不意味着我们会将关注和粉丝列表存到一个单独的Collection里。后面我们会用Pipeline对各个Item进行处理、合并存储到用户的Collection里，因此Item和Collection并不一定是完全对应的。

七、提取数据

我们开始解析用户的基本信息，实现parse_user()方法，如下所示：

def parse_user(self, response):    """    解析用户信息    :param response: Response对象    """    result = json.loads(response.text)    if result.get(data).get(userInfo):        user_info = result.get(data).get(userInfo)        user_item = UserItem()        field_map = {            id: id, name: screen_name, avatar: profile_image_url, cover: cover_image_phone,            gender: gender, description: description, fans_count: followers_count,            follows_count: follow_count, weibos_count: statuses_count, verified: verified,            verified_reason: verified_reason, verified_type: verified_type        }        for field, attr in field_map.items():            user_item[field] = user_info.get(attr)        yield user_item        # 关注        uid = user_info.get(id)        yield Request(self.follow_url.format(uid=uid, page=1), callback=self.parse_follows,                      meta={page: 1, uid: uid})        # 粉丝        yield Request(self.fan_url.format(uid=uid, page=1), callback=self.parse_fans,                      meta={page: 1, uid: uid})        # 微博        yield Request(self.weibo_url.format(uid=uid, page=1), callback=self.parse_weibos,                      meta={page: 1, uid: uid})

在这里我们一共完成了两个操作。

解析JSON提取用户信息并生成UserItem返回。我们并没有采用常规的逐个赋值的方法，而是定义了一个字段映射关系。我们定义的字段名称可能和JSON中用户的字段名称不同，所以在这里定义成一个字典，然后遍历字典的每个字段实现逐个字段的赋值。

构造用户的关注、粉丝、微博的第一页的链接，并生成Request，这里需要的参数只有用户的ID。另外，初始分页页码直接设置为1即可。

接下来，我们还需要保存用户的关注和粉丝列表。以关注列表为例，其解析方法为parse_follows()，实现如下所示：

def parse_follows(self, response):    """    解析用户关注    :param response: Response对象    """    result = json.loads(response.text)    if result.get(ok) and result.get(data).get(cards) and len(result.get(data).get(cards)) and result.get(data).get(cards)[-1].get(        card_group):        # 解析用户        follows = result.get(data).get(cards)[-1].get(card_group)        for follow in follows:            if follow.get(user):                uid = follow.get(user).get(id)                yield Request(self.user_url.format(uid=uid), callback=self.parse_user)        # 关注列表        uid = response.meta.get(uid)        user_relation_item = UserRelationItem()        follows = [{id: follow.get(user).get(id), name: follow.get(user).get(screen_name)} for follow in                   follows]        user_relation_item[id] = uid        user_relation_item[follows] = follows        user_relation_item[fans] = []        yield user_relation_item        # 下一页关注        page = response.meta.get(page) + 1        yield Request(self.follow_url.format(uid=uid, page=page),                      callback=self.parse_follows, meta={page: page, uid: uid})

那么在这个方法里面我们做了如下三件事。

解析关注列表中的每个用户信息并发起新的解析请求。我们首先解析关注列表的信息，得到用户的ID，然后再利用user_url构造访问用户详情的Request，回调就是刚才所定义的parse_user()方法。

提取用户关注列表内的关键信息并生成UserRelationItem。id字段直接设置成用户的ID，JSON返回数据中的用户信息有很多冗余字段。在这里我们只提取了关注用户的ID和用户名，然后把它们赋值给follows字段，fans字段设置成空列表。这样我们就建立了一个存有用户ID和用户部分关注列表的UserRelationItem，之后合并且保存具有同一个ID的UserRelationItem的关注和粉丝列表。

提取下一页关注。只需要将此请求的分页页码加1即可。分页页码通过Request的meta属性进行传递，Response的meta来接收。这样我们构造并返回下一页的关注列表的Request。

抓取粉丝列表的原理和抓取关注列表原理相同，在此不再赘述。

接下来我们还差一个方法的实现，即parse_weibos()，它用来抓取用户的微博信息，实现如下所示：

def parse_weibos(self, response):    """    解析微博列表    :param response: Response对象    """    result = json.loads(response.text)    if result.get(ok) and result.get(data).get(cards):        weibos = result.get(data).get(cards)        for weibo in weibos:            mblog = weibo.get(mblog)            if mblog:                weibo_item = WeiboItem()                field_map = {                    id: id, attitudes_count: attitudes_count, comments_count: comments_count, created_at: created_at,                    reposts_count: reposts_count, picture: original_pic, pictures: pics,                    source: source, text: text, raw_text: raw_text, thumbnail: thumbnail_pic                }                for field, attr in field_map.items():                    weibo_item[field] = mblog.get(attr)                weibo_item[user] = response.meta.get(uid)                yield weibo_item        # 下一页微博        uid = response.meta.get(uid)        page = response.meta.get(page) + 1        yield Request(self.weibo_url.format(uid=uid, page=page), callback=self.parse_weibos,                      meta={uid: uid, page: page})

在这里parse_weibos()方法完成了两件事。

提取用户的微博信息，并生成WeiboItem。这里同样建立了一个字段映射表，实现批量字段赋值。

提取下一页的微博列表。这里同样需要传入用户ID和分页页码。

目前为止，微博的Spider已经完成。后面还需要对数据进行数据清洗存储，以及对接代理池、Cookies池来防止反爬虫。

八、数据清洗

有些微博的时间可能不是标准的时间，比如它可能显示为刚刚、几分钟前、几小时前、昨天等。这里我们需要统一转化这些时间，实现一个parse_time()方法，如下所示：

def parse_time(self, date):    if re.match(刚刚, date):        date = time.strftime(%Y-%m-%d %H:%M, time.localtime(time.time()))    if re.match(\d+分钟前, date):        minute = re.match((\d+), date).group(1)        date = time.strftime(%Y-%m-%d %H:%M, time.localtime(time.time() - float(minute) * 60))    if re.match(\d+小时前, date):        hour = re.match((\d+), date).group(1)        date = time.strftime(%Y-%m-%d %H:%M, time.localtime(time.time() - float(hour) * 60 * 60))    if re.match(昨天.*, date):        date = re.match(昨天(.*), date).group(1).strip()        date = time.strftime(%Y-%m-%d, time.localtime() - 24 * 60 * 60) + + date    if re.match(\d{2}-\d{2}, date):        date = time.strftime(%Y-, time.localtime()) + date + 00:00    return date

我们用正则来提取一些关键数字，用time库来实现标准时间的转换。

以X分钟前的处理为例，爬取的时间会赋值为created_at字段。我们首先用正则匹配这个时间，表达式写作\d+分钟前，如果提取到的时间符合这个表达式，那么就提取出其中的数字，这样就可以获取分钟数了。接下来使用time模块的strftime()方法，第一个参数传入要转换的时间格式，第二个参数就是时间戳。在这里我们用当前的时间戳减去此分钟数乘以60就是当时的时间戳，这样我们就可以得到格式化后的正确时间了。

然后Pipeline可以实现如下处理：

class WeiboPipeline():    def process_item(self, item, spider):        if isinstance(item, WeiboItem):            if item.get(created_at):                item[created_at] = item[created_at].strip()                item[created_at] = self.parse_time(item.get(created_at))

我们在Spider里没有对crawled_at字段赋值，它代表爬取时间，我们可以统一将其赋值为当前时间，实现如下所示：

class TimePipeline():    def process_item(self, item, spider):        if isinstance(item, UserItem) or isinstance(item, WeiboItem):            now = time.strftime(%Y-%m-%d %H:%M, time.localtime())            item[crawled_at] = now        return item

在这里我们判断了Item如果是UserItem或WeiboItem类型，那么就给它的crawled_at字段赋值为当前时间。

通过上面的两个Pipeline，我们便完成了数据清洗工作，这里主要是时间的转换。

九、数据存储

数据清洗完毕之后，我们就要将数据保存到MongoDB数据库。我们在这里实现MongoPipeline类，如下所示：

import pymongoclass MongoPipeline(object):    def __init__(self, mongo_uri, mongo_db):        self.mongo_uri = mongo_uri        self.mongo_db = mongo_db    @classmethod    def from_crawler(cls, crawler):        return cls(            mongo_uri=crawler.settings.get(MONGO_URI), mongo_db=crawler.settings.get(MONGO_DATABASE)        )    def open_spider(self, spider):        self.client = pymongo.MongoClient(self.mongo_uri)        self.db = self.client[self.mongo_db]        self.db[UserItem.collection].create_index([(id, pymongo.ASCENDING)])        self.db[WeiboItem.collection].create_index([(id, pymongo.ASCENDING)])    def close_spider(self, spider):        self.client.close()    def process_item(self, item, spider):        if isinstance(item, UserItem) or isinstance(item, WeiboItem):            self.db[item.collection].update({id: item.get(id)}, {$set: item}, True)        if isinstance(item, UserRelationItem):            self.db[item.collection].update(                {id: item.get(id)},                {$addToSet:                    {                        follows: {$each: item[follows]},                        fans: {$each: item[fans]}                    }                }, True)        return item

当前的MongoPipeline和前面我们所写的有所不同，主要有以下几点。

open_spider()方法里添加了Collection的索引，在这里为两个Item都添加了索引，索引的字段是id。由于我们这次是大规模爬取，爬取过程涉及数据的更新问题，所以我们为每个Collection建立了索引，这样可以大大提高检索效率。

在process_item()方法里存储使用的是update()方法，第一个参数是查询条件，第二个参数是爬取的Item。这里我们使用了$set操作符，如果爬取到重复的数据即可对数据进行更新，同时不会删除已存在的字段。如果这里不加$set操作符，那么会直接进行item替换，这样可能会导致已存在的字段如关注和粉丝列表清空。第三个参数设置为True，如果数据不存在，则插入数据。这样我们就可以做到数据存在即更新、数据不存在即插入，从而获得去重的效果。

对于用户的关注和粉丝列表，我们使用了一个新的操作符，叫作$addToSet，这个操作符可以向列表类型的字段插入数据同时去重。它的值就是需要操作的字段名称。这里利用了$each操作符对需要插入的列表数据进行了遍历，以逐条插入用户的关注或粉丝数据到指定的字段。关于该操作更多解释可以参考MongoDB的官方文档，链接为：。

十、Cookies池对接

新浪微博的反爬能力非常强，我们需要做一些防范反爬虫的措施才可以顺利完成数据爬取。

如果没有登录而直接请求微博的API接口，这非常容易导致403状态码。这个情况我们在Cookies池一节也提过。所以在这里我们实现一个Middleware，为每个Request添加随机的Cookies。

我们先开启Cookies池，使API模块正常运行。例如在本地运行5000端口，访问：:5000/weibo/random，即可获取随机的Cookies。当然也可以将Cookies池部署到远程的服务器，这样只需要更改访问的链接。

我们在本地启动Cookies池，实现一个Middleware，如下所示：

class CookiesMiddleware():    def __init__(self, cookies_url):        self.logger = logging.getLogger(__name__)        self.cookies_url = cookies_url    def get_random_cookies(self):        try:            response = requests.get(self.cookies_url)            if response.status_code == 200:                cookies = json.loads(response.text)                return cookies        except requests.ConnectionError:            return False    def process_request(self, request, spider):        self.logger.debug(正在获取Cookies)        cookies = self.get_random_cookies()        if cookies:            request.cookies = cookies            self.logger.debug(使用Cookies + json.dumps(cookies))    @classmethod    def from_crawler(cls, crawler):        settings = crawler.settings        return cls(            cookies_url=settings.get(COOKIES_URL)        )

我们首先利用from_crawler()方法获取了COOKIES_URL变量，它定义在settings.py里，这就是刚才我们所说的接口。接下来实现get_random_cookies()方法，这个方法主要就是请求此Cookies池接口并获取接口返回的随机Cookies。如果成功获取，则返回Cookies；否则返回False。

接下来，在process_request()方法里，我们给request对象的cookies属性赋值，其值就是获取的随机Cookies，这样我们就成功地为每一次请求赋值Cookies了。

如果启用了该Middleware，每个请求都会被赋值随机的Cookies。这样我们就可以模拟登录之后的请求，403状态码基本就不会出现。

十一、代理池对接

微博还有一个反爬措施就是，检测到同一IP请求量过大时就会出现414状态码。如果遇到这样的情况可以切换代理。例如，在本地5555端口运行，获取随机可用代理的地址为：:5555/random，访问这个接口即可获取一个随机可用代理。接下来我们再实现一个Middleware，代码如下所示：

class ProxyMiddleware():    def __init__(self, proxy_url):        self.logger = logging.getLogger(__name__)        self.proxy_url = proxy_url    def get_random_proxy(self):        try:            response = requests.get(self.proxy_url)            if response.status_code == 200:                proxy = response.text                return proxy        except requests.ConnectionError:            return False    def process_request(self, request, spider):        if request.meta.get(retry_times):            proxy = self.get_random_proxy()            if proxy:                uri = https://{proxy}.format(proxy=proxy)                self.logger.debug(使用代理 + proxy)                request.meta[proxy] = uri    @classmethod    def from_crawler(cls, crawler):        settings = crawler.settings        return cls(            proxy_url=settings.get(PROXY_URL)        )

同样的原理，我们实现了一个get_random_proxy()方法用于请求代理池的接口获取随机代理。如果获取成功，则返回改代理，否则返回False。在process_request()方法中，我们给request对象的meta属性赋值一个proxy字段，该字段的值就是代理。

另外，赋值代理的判断条件是当前retry_times不为空，也就是说第一次请求失败之后才启用代理，因为使用代理后访问速度会慢一些。所以我们在这里设置了只有重试的时候才启用代理，否则直接请求。这样就可以保证在没有被封禁的情况下直接爬取，保证了爬取速度。

十二、启用Middleware

接下来，我们在配置文件中启用这两个Middleware，修改settings.py如下所示：

DOWNLOADER_MIDDLEWARES = {    weibo.middlewares.CookiesMiddleware: 554,    weibo.middlewares.ProxyMiddleware: 555,}

注意这里的优先级设置，前文提到了Scrapy的默认Downloader Middleware的设置如下：

{    scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware: 100,    scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware: 300,    scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware: 350,    scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware: 400,    scrapy.downloadermiddlewares.useragent.UserAgentMiddleware: 500,    scrapy.downloadermiddlewares.retry.RetryMiddleware: 550,    scrapy.downloadermiddlewares.ajaxcrawl.AjaxCrawlMiddleware: 560,    scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware: 580,    scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware: 590,    scrapy.downloadermiddlewares.redirect.RedirectMiddleware: 600,    scrapy.downloadermiddlewares.cookies.CookiesMiddleware: 700,    scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware: 750,    scrapy.downloadermiddlewares.stats.DownloaderStats: 850,    scrapy.downloadermiddlewares.httpcache.HttpCacheMiddleware: 900,}

要使得我们自定义的CookiesMiddleware生效，它在内置的CookiesMiddleware之前调用。内置的CookiesMiddleware的优先级为700，所以这里我们设置一个比700小的数字即可。

要使得我们自定义的ProxyMiddleware生效，它在内置的HttpProxyMiddleware之前调用。内置的HttpProxyMiddleware的优先级为750，所以这里我们设置一个比750小的数字即可。

十三、运行

到此为止，整个微博爬虫就实现完毕了。我们运行如下命令启动爬虫：

scrapy crawl weibocn

输出结果如下所示：

2017-07-11 17:27:34 [urllib3.connectionpool] DEBUG: :5000 "GET /weibo/random HTTP/1.1" 200 3392017-07-11 17:27:34 [weibo.middlewares] DEBUG: 使用Cookies {"SCF": "AhzwTr_DxIGjgri_dt46_DoPzU-PSupu545JdozdHYJ7HyEb4pD3pe05VpbIpVyY1ciKRRWwUgojiO3jYwlBE.", "_T_WM": "8fe0bc1dad068d09b888d8177f1c1218", "SSOLoginState": "", "M_WEIBOCN_PARAMS": "uicode%3D", "SUHB": "0tKqV4asxqYl4J", "SUB": "_2A250e3QUDeRhGeBM6VYX8y7NwjiIHXVXhBxcrDV6PUJbkdBeLXjckW2fUT8MWloekO4FCWVlIYJGJdGLnA.."}2017-07-11 17:27:34 [weibocn] DEBUG: <200 /api/container/getIndex?uid=&type=uid&value=&containerid=>2017-07-11 17:27:34 [scrapy.core.scraper] DEBUG: Scraped from <200 /api/container/getIndex?uid=&type=uid&value=&containerid=>{avatar: cover: crawled_at: 2017-07-11 17:27, description: 成长，就是一个不断觉得以前的自己是个傻逼的过程, fans_count: , follows_count: 1599, gender: m, id: , name: 思想聚焦, verified: True, verified_reason: 微博知名博主，校导网编辑, verified_type: 0, weibos_count: 58393}

运行一段时间后，我们便可以到MongoDB数据库查看数据，爬取下来的数据如下图所示。

针对用户信息，我们不仅爬取了其基本信息，还把关注和粉丝列表加到了follows和fans字段并做了去重操作。针对微博信息，我们成功进行了时间转换处理，同时还保存了微博的图片列表信息。

十四、本节代码

本节代码地址为：。

十五、结语

本节实现了新浪微博的用户及其粉丝关注列表和微博信息的爬取，还对接了Cookies池和代理池来处理反爬虫。不过现在是针对单机的爬取，后面我们会将此项目修改为分布式爬虫，以进一步提高抓取效率。