一篇文章教會你使用Python定時抓取微博評論
- 2020 年 6 月 17 日
- 筆記
- Python3, Python入門, Python基礎, Python庫, Python應用, Python開發, Python網路爬蟲, 數據分析, 數據挖掘, 網路爬蟲
【Part1——理論篇】
試想一個問題，如果我們要抓取某個微博大V微博的評論數據，應該怎麼實現呢？最簡單的做法就是找到微博評論數據介面，然後通過改變參數來獲取最新數據並保存。首先從微博api尋找抓取評論的介面，如下圖所示。
但是很不幸，該介面頻率受限，抓不了幾次就被禁了，還沒有開始起飛，就涼涼了。
接下來小編又選擇微博的移動端網站，先登錄，然後找到我們想要抓取評論的微博，打開瀏覽器自帶流量分析工具，一直下拉評論，找到評論數據介面，如下圖所示。
之後點擊「參數」選項卡，可以看到參數為下圖所示的內容：
可以看到總共有4個參數，其中第1、2個參數為該條微博的id，就像人的身份證號一樣，這個相當於該條微博的「身份證號」，max_id是變換頁碼的參數，每次都要變化，下次的max_id參數值在本次請求的返回數據中。
【Part2——實戰篇】
有了上文的基礎之後，下面我們開始擼程式碼，使用Python進行實現。
1、首先區分url，第一次不需要max_id,第二次需要用第一次返回的max_id。
2、請求的時候需要帶上cookie數據，微博cookie的有效期比較長，足夠抓一條微博的評論數據了，cookie數據可以從瀏覽器分析工具中找到。
3、然後將返回數據轉換成json格式，取出評論內容、評論者昵稱和評論時間等數據，輸出結果如下圖所示。
4、為了保存評論內容，我們要將評論中的表情去掉，使用正則表達式進行處理，如下圖所示。
5、之後接著把內容保存到txt文件中，使用簡單的open函數進行實現，如下圖所示。
6、重點來了，通過此介面最多只能返回16頁的數據（每頁20條），網上也有說返回50頁的，但是介面不同、返回的數據條數也不同，所以我加了個for循環，一步到位，遍歷還是很給力的，如下圖所示。
7、這裡把函數命名為job。為了能夠一直取出最新的數據，我們可以用schedule給程式加個定時功能，每隔10分鐘或者半個小時抓1次，如下圖所示。
8、對獲取到的數據，做去重處理，如下圖所示。如果評論已經在裡邊的話，就直接pass掉，如果沒有的話，繼續追加即可。
這項工作到此就基本完成了。
【Part3——總結篇】
這種方法雖然抓不全數據，但在這種微博的限制條件下，也是一種比較有效的方法。
最後如果您需要本文程式碼的話，請在後台回復「微博」二字，覺得不錯，記得給個star噢~
看完本文有收穫？請轉發分享給更多的人
IT共享之家
入群請在微信後台回復【入群】
想學習更多Python網路爬蟲與數據挖掘知識，可前往專業網站：//pdcfighting.com/
