GitHub 上这款新浪微博爬虫项目，‌让你轻松掌握微博数据！‌seo优化

GitHub 上这款新浪微博爬虫项目，‌让你轻松掌握微博数据！‌

news/2024/10/4 23:32:14

该文章为 weibo-crawler 的官方文档，为了方便国内的同学阅读而转载。

原文地址：https://github.com/dataabc/weibo-crawler

源码我也下载了一份，读者可以在我的公众号上回复“分享资料”来获取，路径如下：

‍

以下是正文：

功能

连续爬取一个或多个新浪微博用户（如迪丽热巴、郭碧婷）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。

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

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；

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；

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。

配置完成后运行程序：

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部分。

csv 文件结果如下所示：

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jaywalk@jaywalk.com.cn 🍒","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"}}]
}

‍

下载的图片如下所示：

‍

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：

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

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

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。

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~<a href='/n/路易威登'>@路易威登</a> 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。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 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。

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：

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

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

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：

        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

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

version: '3'
services:weibo-crawler:build:context: .dockerfile: Dockerfilevolumes:- path/to/config.json:/app/config.json- path/to/weibo:/app/weiboenvironment:- schedule_interval=1 # 可选：循环间隔（分钟）

如何获取 user_id

1.打开网址 https://weibo.cn，搜索我们要找的人，如"迪丽热巴"，进入她的主页；

2.按照上图箭头所指，点击"资料"链接，跳转到用户资料页面；

如上图所示，迪丽热巴微博资料页的地址为" https://weibo.cn/1669879400/info"，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 (https://weibo.cn/u/1669879400?f=search_0)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"https://weibo.cn/user_id?f=search_0"的形式，

而是" https://weibo.cn/个性域名?f=search_0 " 或 " https://weibo.cn/微号?f=search_0"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。

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 https://passport.weibo.cn/signin/login；

2.输入微博的用户名、密码，登录，如图所示：登录成功后会跳转到 https://m.weibo.cn;

‍

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

‍

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：

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：

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。
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。
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 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：

在 const.py 文件中，将 'NOTIFY': False 中的 False 设为 True；
将 'PUSH_KEY': '' 的 '' 替换为 '<你的push_key>'

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.ryyt.cn/news/54923.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈，一经查实，立即删除！