基于 Scrapy 框架的微博评论爬虫实战

文末本文转载自微信公众号「志斌的python笔记」，作者志斌。转载本文请联系志斌的python笔记公众号。

大家好，我是志斌~

之前志斌写过的微博爬虫是基于Requests的，今天来跟大家分享一下，基于Scrapy的微博爬虫应该怎么写。

之前分享过一个Requests对微博评论的爬虫，已经对页面进行了全面的分析，本文主要注重对数据采集、存储和文件配置进行分析讲解。

一Scrapy简介

首先，我们需要对Scrapy框架有一个简单的了解，不然在你书写代码的时候会非常的麻烦。

01安装

使用pip对Scrapy进行安装，代码如下：

pip install scrapy 

02创建项目

安装好Scrapy框架之后，我们需要通过终端，来创建一个Scrapy项目，命令如下：

scrapy startproject weibo 

创建好后的项目结构，如下图：

这里我们来简单介绍一下结构中我们用到的部分的作用，有助于我们后面书写代码。

spiders是存放爬虫程序的文件夹，将写好的爬虫程序放到该文件夹中。items用来定义数据，类似于字典的功能。settings是设置文件，包含爬虫项目的设置信息。pipelines用来对items中的数据进行进一步处理，如：清洗、存储等。

二数据采集

经过上面的简单介绍，我们现在对Scrapy框架有了简单的了解，下面我们开始写数据采集部分的代码。

01定义数据

首先，我们对数据存储的网页进行观察，方便我们对获取数据进行定义

通过对网页中数据存储的形式进行观察后，items.py中对数据的定义方式为：

data = scrapy.Field() 

02编辑爬虫

接下来我们在spiders文件夹里面创建一个weibo.py爬虫程序用以书写请求的爬虫代码

代码如下：

import scrapy 
class WeiboSpider(scrapy.Spider): 
   name = 'weibo'  #用于启动微博程序 
   allowed_domains = ['m.weibo.cn']  #定义爬虫爬取网站的域名 
   start_urls = ['https://m.weibo.cn/comments/hotflow?id=4700480024348767&mid=4700480024348767&max_id_type=0']  #定义起始网页的网址 
  for i in res['data']['data']: 
     weibo_item = WeiboItem() 
     weibo_item['data'] = re.sub(r'<[^>]*>', '', i['text']) 
     # start_url = ['https://m.weibo.cn/comments/hotflow?id=4700480024348767&mid=4700480024348767&'+str(max_id)+'&max_id_type=0'] 
     yield weibo_item  #将数据回传给items 

03遍历爬取

学过Requests对微博评论进行爬虫的朋友应该知道，微博评论的URL构造方式，这里我直接展示构造代码：

max_id_type = res['data']['max_id_type'] 
if int(max_id_type) == 1: 
   new_url = 'https://m.weibo.cn/comments/hotflow?id=4700480024348767&mid=4700480024348767&max_id=' + str( 
       max_id) + '&max_id_type=1' 
else: 
   new_url = 'https://m.weibo.cn/comments/hotflow?id=4700480024348767&mid=4700480024348767&max_id=' + str( 
       max_id) + '&max_id_type=0' 

三数据存储

光爬取下来数据是不行的，我们还需要对数据进行存储，这里我采用的是csv文件，来对评论数据进行存储，代码如下：

class CsvItemExporterPipeline(object): 
   def __init__(self): 
       # 创建接收文件,初始化exporter属性 
       self.file = open('text.csv','ab') 
       self.exporter = CsvItemExporter(self.file,fields_to_export=['data']) 
       self.exporter.start_exporting() 

四程序配置

光写上面的代码是无法爬取到评论的，因为我们还没有对整个程序进行有效的配置，下面我们就在settings.py里面进行配置。

01不遵循robots协议

需要对robts协议的遵守进行修改，如果我们遵循网页的robots协议的话，那无法进行爬取，代码如下：

# Obey robots.txt rules 
 
ROBOTSTXT_OBEY = False 

02使用自定义cookie

我们知道，想要爬取微博评论，需要带上自己的cookie用以信息校验，因为我们的cookie是在headers中包裹着的，所以我们需要将COOKIES_ENABLED改为False，代码如下：

# Disable cookies (enabled by default) 
COOKIES_ENABLED = False 

03打开管道

想要进行数据存储，还需要在配置中，打开通道，用以数据传输，代码如下：

# Configure item pipelines 
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html 
ITEM_PIPELINES = { 
  'weibo.pipelines.CsvItemExporterPipeline': 1, 
  'weibo.pipelines.WeiboPipeline': 300, 
} 

五启动程序

我们在spiders同级的的目录下创建一个wb_main.py文件，便于我们在编辑器中启动程序，代码如下：

from scrapy import cmdline 
#导入cmdline模块,可以实现控制终端命令行。 
cmdline.execute(['scrapy','crawl','weibo']) 
#用execute（）方法，输入运行scrapy的命令。 

六总结

本文详细的介绍了，如何用Scrapy框架来对微博评论进行爬取，建议大家动手实操一下，便于理解。

本文仅供学习参考，不做它用。