微博关键词爬虫；超详细爬虫教程；整个爬虫编写流程和思路；Xpath表达式编写；数据存储和处理

我们大家都知道一般来说，要爬取微博的相关信息，还是weibo.cn这个站点要好爬取一些。但是这个站点却没有关键词检索，所以我们不能根据自己想搜索的关键词去爬取自己想要的内容。不过博主发现，微博有一个站点：“s.weibo.com”。这是一个专门根据关键词来检索相关微博的站点，下面我就该站点，利用scrapy爬取相关微博内容来为大家详细讲解其中的过程。

可以爬取的字段

首先展示可以爬取那些字段：

有了数据要怎么分析就是大家自己的事情了。下面我们详细介绍怎么去爬取这些数据。

一，网页分析

首先我们进入s.weibo.com,输入自己想要搜索的内容，如何按F12，观察网页格式。


要提取网页中自己想要的内容，我们选择用xpath去获取，scrapy中也有.xpath()的方法，方便我们爬虫的编写。这里教大家一个小技巧，我们选中自己想要标签后可以右键，如何选择copy xpath，就可以复制该标签的xpath表达式，如何我们按住Ctrl+F，将复制的表达式放入搜索框，然后我们就可以直接在后面修改表达式，就可以提取该标签或者和该标签同级的标签下相应的内容了。这一步非常重要，可以提高我们后面编写代码的编写效率。

比如我们在这里复制了该页面第一条内容的xpath表达式，然后我修改表达式提取到同类标签。

可以看见，该类标签有22个，我数了一下，该页面下刚好有22条微博，那么接下来，我们只需要在这个xpath表达式后面增加内容就可以进一步提取自己想要的字段了。下面我们以微博的文本内容为例。
首先我们先选择中微博的文本内容：

然后查看标签

此时我们只需要把p标签的文本提取出来就行，首先我们要定位p标签，在刚才的xpath表达式后面加上：“//p[@node-type=“feed_list_content””，这样我们就选中了了该页面下所有微博的文本内容了。其他的字段也是同样的道理，我们把所有字段的xpath表达式弄出来，在后面爬虫的时候再来具体处理。

二，爬虫部分

爬虫部分我们，采取scrapy框架编写，对于这个框架的安装和怎么创建一个项目我就不详细介绍了，大家可以自行查找资料。
在创建好项目，生产spider后，我们首先编写item.py，把我们要爬取的字段，先在item中定义好。

from scrapy import Item, Field
class KeywordItem(Item):
    """
    关键词微博
    """
    keyword = Field()
    weibo_url = Field()  
    content = Field()   
    weibo_id = Field()
    crawl_time = Field()
    created_at = Field()
    tool = Field()
    repost_num = Field()
    comment_num = Field()
    like_num = Field()
    user_url = Field()
    user_id = Field()

然后编写pipeline.py，对爬虫进行本地数据库存储。

import pymongo
from pymongo.errors import DuplicateKeyError
from settings import MONGO_HOST, MONGO_PORT

class MongoDBPipeline(object):
    def __init__(self):
        client = pymongo.MongoClient(MONGO_HOST, MONGO_PORT)
        db = client['edg']
        self.Keyword = db["Keyword"]
	
	def process_item(self, item, spider):
		self.insert_item(self.Keyword, item)
	
	@staticmethod
    def insert_item(collection, item):
        try:
            collection.insert(dict(item))
        except DuplicateKeyError:
            pass

首先是初始化函数，定义好数据库的端口、名称和表的名称；然后process_item函数把item字段都插入到表Keyword中去，item是scrapy的一大特点，它类似于字典这一数据结构，爬虫部分将爬取到的数据存在item中然后提交给管道，进行存储。

然后我们开始写爬虫部分，在spider文件夹下面创建keyword.py，在start_requests中先定义好要爬取的网页和headers等。

    def start_requests(self):
        headers = {
            'Host': 's.weibo.com',
            'Cookie': ''
        }
        keywords = ['edg']
        url = 'https://s.weibo.com/weibo?q={}&Refer=index&page=1'

那么我们要爬取数据肯定就不能只是爬取一页的数据，根据观察网站的URL我们可以发现有一个page参数，我们只需要构造该参数的值就可以实现生成不同页面的URL，我把他放在一个URL列表中，循环访问就可以了。

urls = []
        for keyword in keywords:
            urls.append(url.format(keyword))
        for url in urls:
            yield Request(url, callback=self.parse,headers=headers)

然后我们来写爬虫处理函数parse。

    def parse(self, response):
        if response.url.endswith('page=1'):
            page = 50
            for page_num in range(2, page+1):
                page_url = response.url.replace('page=1', 'page={}'.format(page_num))
                yield Request(page_url, self.parse, dont_filter=True, meta=response.meta)
        if response.status == 200:
            html_result = response.text
            data = etree.HTML(html_result)
            nodes = data.xpath('//div[@class="card"]')

首先是要判断URL最后的page参数是不是为1，如果是，那么我们将page复制为50（因为该网站最多显示50页的微博内容），然后用format方法构造50个URL，每个都递交给parse方法去处理。
如果访问成功，就提取去所有的“//div[@class=“card”]”赋值给nodes，这是我们上面网页分析是提取的所有的包含微博内容的xpath表达式。然后就在nodes循环提取所有的文本内容。

 for node in nodes:
     try:
     	content = node.xpath('.//p[@node-type="feed_list_content"]')
        keyword_item['content']=extract_weibo_content(content[0].xpath('string(.)').strip())
        yield keyword_item
     except Exception as e:
        self.logger.error(e)

这里我们只以提取微博文本内容为例

只需要将刚才在“//div[@class=“card”]”后面增加的提取的微博文本内容的xpath表达式，提取到content中，处理后在放入keyword_item（刚才说了它是类似于字典结构，用法跟字典都是一样的）中。怎么处理才能将所有的文本都提取出来呢，这个就需要大家不断的尝试，像我也是尝试很多次才知道是使用.xpath(‘string(.)’)。最后不要忘记提交给item哦。

extract_weibo_content（）是一个处理提取文本中多余的表情，符号和网址的函数。代码如下：

def extract_weibo_content(weibo_html):
    s = weibo_html
    if 'class="ctt">' in s:
        s = s.split('class="ctt">', maxsplit=1)[1]
    s = emoji_re.sub('', s)
    s = url_re.sub('', s)
    s = div_re.sub('', s)
    s = image_re.sub('', s)
    if '<span class="ct">' in s:
        s = s.split('<span class="ct">')[0]
    splits = s.split('赞[')
    if len(splits) == 2:
        s = splits[0]
    if len(splits) == 3:
        origin_text = splits[0]
        retweet_text = splits[1].split('转发理由:')[1]
        s = origin_text + '转发理由:' + retweet_text
    s = white_space_re.sub(' ', s)
    s = keyword_re.sub('', s)
    s = s.replace('xa0', '')
    s = s.strip(':')
    s = s.strip()
    return s

三，数据爬取与处理

然后我们就可以开始运行爬虫了。

可以看见爬虫运行是没有问题的，我是使用一个ip和单个账号进行爬取的，经过测试，速度大概是一个小时能爬一万条。

最后在monogodb中查看我们爬取的数据，同时我还爬取了微博的评论

这里数据量有点少，主要是因为我爬了一会就停了，大家想要多爬些的，可以自己试试。
有了数据，想要怎么分析，就是后面的事情了，起码做饭我们是有米了。这里生产了微博和评论的词云


本人也是爬虫爱好者，希望写这篇文章能帮助到一些刚入门的人，欢迎大家一起交流和各位大佬批评指正。