基于Python的新浪微博用戶數據獲取技術

東南大學信息科學與工程學院　羅　咪

引言

新浪微博作為我國主流社交媒體，擁有海量數據。自2009年推出以來，新浪微博的使用人數急速上升，帶來的是信息量的劇增。每天，人們通過轉發、互粉、點贊等行為發表自己的喜惡看法，將個人觀點放大到社會空間。在如今這個大數據時代，社交網絡分析依賴于海量的數據來探索人類社會關系中的奧秘，而如何獲取這些數據至關重要。在此之前，國外的研究學者已經對Twitter、You-Tube等社交平臺進行了一系列的分析，其研究方法相對成熟。他們獲取數據的主要方法是通過網站官方提供的API接口。[1]在國內，由于新浪官方目前限制相關數據接口的使用，所以研究者要想獲取數據，需另辟蹊徑。[2]

本文基于Python語言提出了一種無需借助官方API接口就能獲取用戶數據的方法---多線程爬蟲技術。該項技術與傳統的網絡爬蟲相比，主要有以下三點改進：首先，使用多線程爬蟲取代傳統的單線程爬蟲，提高了數據獲取速率；其次，針對微博的反爬蟲機制設計了四種突破策略；最后，成功實現了對于微博評論等動態網頁的爬取。

1.Scrapy多線程爬蟲框架

目前，用python實現多線程爬蟲主要有兩種方法。一是自行設計多線程函數，二是使用python的scrapy包來包裝線程對象。[3] 本爬蟲系統主要使用Scrapy框架編寫，Scrapy框架是一種引擎和下載器之間的框架,主要功能是處理Scrapy引擎與下載器之間的請求及響應。其基本組件和工作原理如圖1所示。

在Scrapy架構下，用戶需要編寫爬蟲部件spiders和數據處理部件item pipeline。

2.模擬登陸

模擬登陸是爬蟲技術所要攻克的第一個難題。所謂模擬登陸，即讓計算機模仿人工操作，以達到欺騙服務器的目的。我們分別嘗試了以下四種策略，并比較了它們的優劣性。

（1）手動獲取 cookie 登陸：該方法較為簡單，但是需要人為參與，自動化程度低。

（2）post 方法登陸weibo.com：該方法難度較高，主要因為以下三點。其一，網頁版微博上存在大量的廣告圖片，javascript代碼復雜，從而降低了后續工作中源碼分析的效率。[4]其二，官方分別使用了Base64 和 RSA 加密算法對用戶賬號和密碼進行了加密。其三，第一次跳轉到的URL在使用正則表達式匹配后才能得到目標主頁。

圖1　Scrapy多線程爬蟲框架原理圖

（3）post方法登陸weibo.cn:由于移動端頁面相對簡潔，網頁源碼較少，所以相對登陸網頁版更加簡單，但也存在兩個難點。其一，登陸時會出現驗證碼，本文采用的解決方法是下載到本地然后手動輸入。其二，登陸 http://weibo.cn/ 后會有一個重定向，這時必須設定user-agent，否則post完成后會卡在跳轉頁面。

（4）利用自動化測試工具Selenium: Selenium 是一個自動化測試工具，相當于一個沒有界面瀏覽器，可以完全模擬瀏覽器行為，所以利用它進行模擬登陸非常方便。[5]

3.動態網頁抓取

新浪微博與豆瓣、知乎等其他社交網站的區別在于：微博中很多網頁都是動態的，爬取有一定的難度，所以需要特殊處理。主要有兩種爬動態網站的策略可以選取。第一種方法是使用自動化測試工具selenium進行抓取，這主要是因為chrome driver可以渲染用javascript生成的網站。具體做法是先獲取網頁源碼，再使用 XPath路徑語言解析網頁。Selenium 抓取雖然簡潔方便，但存在抓取速率低效，不穩定的缺點，所以還可以使用解析json數據的方法。下面分別講解微博評論和用戶粉絲列表數據的獲取辦法。

3.1　微博評論抓取

首先，抓包尋找到網站ajax請求的接口，接著找尋該的接口url地址規律。例如，我們抓包后發現ajax請求為：

經過測試后，我們可以將該url接口簡化為：

從簡化后的url地址可以歸納出新浪微博評論的接口規律為：

下面，我們需要通過微博地址獲取這條微博獨一無二的id。經過網頁源碼分析我們發現，微博的id出現在網頁dom元素屬性的很多地方，而且都是以mid開頭，這樣就能根據網頁源碼正則匹配出這條微博的id。[6]最后只要改變url接口里的page參數，獲取所有評論源碼，再使用xpath提取出所需的評論數據即可。

3.2　微博粉絲列表抓取

以查看劉亦菲粉絲列表為例，抓包后得到結果如圖2所示。

圖2　劉亦菲粉絲列表抓包結果

可以得出粉絲列表的url地址為：

其中，每個粉絲擁有不同的containerid參數，而since_id從1到250都可以訪問，所以每次訪問這個url都可以返回含有20個粉絲信息的json數據。如圖3所示。

圖3　劉亦菲粉絲列表json數據返回結果

4.克服反爬蟲機制

為了防止個人盜取微博數據用于非法用途，新浪微博官方對微博爬蟲采取抵制態度，并且他們的反爬蟲機制也在不斷完善。如果爬蟲請求過于頻繁，賬戶容易被封禁，降低了數據獲取的效率。本系統采用以下4個策略突破微博的反爬蟲機制：

（1） 動態更改 user-agent：主要利用python的fake user agent包，讓每一次請求都偽造一個用戶代理，使服務器誤以為是來自不同瀏覽器的請求。從而降低爬蟲被發現的概率。

（2）動態更改 IP：首先獲取一串可用的高速代理 IP 列表，然后在每一次請求時更改 IP 地址，讓服務器無法鎖定具體的訪問地址，以達到迷惑服務器的目的。

（3）控制爬取速率：若爬取速率過快，服務器容易檢測出異常，所以速率一般控制在 1.5-2s為宜。

（4）建立并維護cookie 池：由于新浪微博會針對一個賬戶進行速率監控，所以更穩妥的方法是一次多獲取幾個 cookie，每次請求隨機設定一個 cookie。

5.總結

本文設計的新浪微博爬蟲使用python語言實現，并且可以根據實際需要更改爬取條件和爬取目標。在傳統靜態網頁爬蟲的基礎上，探討了針對新浪微博網站需要解決的三大問題: 模擬登陸、動態網頁信息抓取、反爬蟲機制，并給出了切實可行的解決方案。在動態網頁抓取中，需要應用自動化測試工具Selenium來模仿真正用戶的操作，以及利用正則表達式來匹配數據。值得一提的是，最終得到的數據往往與所需要的信息有細微差別，需要經過數據清洗才能進入分析的流程。實踐證明，該爬蟲系統能夠實現對微博數據高效穩定的采集，并符合實時性性、健壯性和靈活性等性能指標要求。

[1]Axel Bruns, Yuxian Eugene Liang. (2012). Tools and methods for capturing Twitter data during natural disasters. Peer-Reviewed Journal on the Internet, 17(4).Retrieved from:http://journals.uic.edu/ojs/index.php/fm/article/view/3937.

[2]吳劍蘭.基于Python的新浪微博爬蟲研究[J].無線互聯科技,2015(06)：93-94.

[3]李俊麗.基于Linux的python多線程爬蟲程序設計[J].計算機與數字工程,2015,43(05):861-863+876.

[4]陳珂,藍鼎棟,柯文德,黎樹俊,鄧文天.基于Java的新浪微博爬蟲研究與實現[J].計算機技術與發展,2017,27(09):191-196.

[5]吳伶琳.基于Selenium的軟件自動化測試的研究與應用[J].計算機與現代化,2013(02):65-68.

[6]胡軍偉,秦奕青,張偉.正則表達式在Web信息抽取中的應用[J].北京信息科技大學學報(自然科學版),2011,26(06):86-89.