一小时爬千万数据的新浪微博爬虫-程序员共读
点击上方“程序员共读”，选择“置顶公众号”
关键时刻天尊猎艳记 ，第一时间送达！
爬虫功能：
此项目和QQ空间爬虫类似，主要爬取新浪微博用户的个人信息、微博信息、粉丝和关注（详细见此）。
代码获取新浪微博Cookie进行登录，可通过多账号登录来防止新浪的反扒（用来登录的账号可从淘宝购买，一块钱七个）。
项目爬的是新浪微博wap站，结构简单骆组词，速度应该会比较快，而且反扒没那么强晴空月儿明，缺点是信息量会稍微缺少一些（可见爬虫福利：如何爬wap站）。
爬虫抓取微博的速度可以达到1300万/天以上，梦幻超人精装无敌版具体要视网络情况南油外服，我使用的是校园网（广工大学城校区），普通的家庭网络可能才一半的速度，甚至都不到智游啦。环境、架构：
开发语言：Python2.7开发环境：64位Windows8系统，4G内存，i7-3612QM处理器艺联相机行 。数据库：MongoDB 3.2.0（Python编辑器：Pycharm 5.0.4；MongoDB管理工具：MongoBooster 1.1.1）
主要使用 scrapy 爬虫框架孙维世 。
下载中间件会从Cookie池和User-Agent池中随机抽取一个加入到spider中仇东升 。
start_requests 中根据用户ID启动四个Request，同时对个人信息、微博、关注和粉丝进行爬取。
将新爬下来的关注和粉丝ID加入到待爬队列（先去重）。使用说明：
启动前配置：
MongoDB安装好 能启动即可，不需要配置。
Python需要安装好scrapy（64位的Python尽量使用64位的依赖模块）
另外用到的python模块还有：pymongo、json、base64、requests。
将你用来登录的微博账号和密码加入到 cookies.py 文件中杨云聪，里面已经有两个账号作为格式参考了你好周杰伦。
另外一些scrapy的设置（如间隔时间、日志级别、Request线程数等）可自行在setting里面调。
温翠苹运行截图：
数据库说明：
SinaSpider主要爬取新浪微博的个人信息、微博数据、关注和粉丝。数据库设置 Information、Tweets、Follows、Fans四张表，此处仅介绍前面两张表的字段神机箭。
Information 表：id：采用 "用户ID" 作为唯一标识蕨麻怎么吃。Birthday：出生日期。City：所在城市。Gender：性别。Marriage：婚姻状况。NickName：微博昵称完璧归赵造句。NumFans：粉丝数量。NumFollows：关注数量。NumTweets：已发微博数量。Province：所在省份。Signature：个性签名。URL：微博的个人首页。
Tweets 表：id：采用 "用户ID-微博ID" 的形式作为一条微博的唯一标识。Cooridinates：发微博时的定位坐标（经纬度），调用地图API可直接查看具体方位罗兰宗美龄 ，可识别到在哪一栋楼。Comment：微博被评论的数量。Content：微博的内容。ID：用户ID残王邪后。Like：微博被点赞的数量。PubTime：微博发表时间。Tools：发微博的工具（手机类型或者平台）Transfer：微博被转发的数量。
作者：LiuXingMing
原文：http://blog.csdn.net/bone_ace/article/details/50903178
Python开发整理发布蹇锡高，转载请联系作者获得授权
【点击成为Java大神】
