This is a sina weibo spider built by scrapy
这是一个持续维护的微博爬虫开源项目,有任何问题请开issue
该项目爬取的数据字段说明，请移步:数据字段说明与示例
已经在senior分支的基础上新增了search分支，用于微博关键词搜索
- 2018/10/13 添加微博搜索分支
- 2018/9/30 添加布隆过滤器
下面是simple分支，也就是单账号爬取，每日十万级的抓取量
本项目Python版本为Python3.6
https://github.com/MarvelousDick/WeiboSpiderSimple.git
cd WeiboSpiderSimple
pip install -r requirements.txt除此之外，还需要安装mongodb，这个自行Google把
并登陆，打开浏览器的开发者模式，再次刷新
复制weibo.cn这个数据包，network中的cookie值
将sina/settings.py中:
DEFAULT_REQUEST_HEADERS = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.13; rv:61.0) Gecko/20100101 Firefox/61.0',
'Cookie':'OUTFOX_SEARCH_USER_ID_NCOO=1780588551.4011402; browser=d2VpYm9mYXhpYW4%3D; SCF=AsJyCasIxgS59OhHHUWjr9OAw83N3BrFKTpCLz2myUf2_vdK1UFy6Hucn5KaD7mXIoq8G25IMnTUPRRfr3U8ryQ.; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9WFGJINkqaLbAcTzz2isXDTA5JpX5KMhUgL.Foq0e0571hBp1hn2dJLoIp7LxKML1KBLBKnLxKqL1hnLBoMpe0ec1h5feKMR; SUB=_2A252a4N_DeRhGeBI61EV9CzPyD-IHXVVly03rDV6PUJbkdAKLRakkW1NRqYKs18Yrsf_SKnpgehmxRFUVgzXtwQO; SUHB=0U15b0sZ4CX6O4; _T_WM=0653fb2596917b052152f773a5976ff4; _WEIBO_UID=6603442333; SSOLoginState=1536482073; ALF=1539074073'
}Cookie字段替换成你自己的Cookie
如果爬虫运行出现403/302，说明账号被封/cookie失效，请重新替换cookie
scrapy crawl weibo_spider 运行截图:
导入pycharm后，也可以直接执行sina/spider/weibo_spider.py
该爬虫是示例爬虫，将爬取 人民日报 和 新华视点 的 用户信息，全部微博，每条微博的评论，还有用户关系。
可以根据你的实际需求改写示例爬虫。
一个页面可以抓取10则微博数据
下表是我的配置情况和速度测试结果
| 爬虫配置 | 配置值 |
|---|---|
| CONCURRENT_REQUESTS | 16 |
| DOWNLOAD_DELAY | 3s |
| 每分钟抓取网页量 | 15+ |
| 每分钟抓取数据量 | 150+ |
| 总体一天抓取数据量 | 20万+ |
实际速度和你自己电脑的网速/CPU/内存有很大关系。