爬虫抓取新浪微博数据
工具:云采爬虫
目标:抓取某个博主的全部微博
分析网页结构:
我们抓取的思路是模拟浏览器自动访问页面抓取。
我们来看一下页面结构,首先每个微博列表,必须进行三四次的下拉加载,然后底部有个“下一页”的按钮。
如此,不断循环。
登录的问题
抓取需要登录账号,如何登录呢?
登录是不需要验证码的,如果你输入错了,才会叫你输入验证码,所以登录是没什么技术难度的。
流程图设计:
整个流程图的思路基本上是这样:
登录---下拉---下拉---下拉---点击下一页
我们不需要微博的详情页。所以整个爬虫的流程是没有详情页的,数据都从列表里面提取。
爬取结果:
我自己爬取了自己的微博,数据如下:
做个简单的词云:
结论:
模拟浏览器抓取基本上没什么难度,可能有些人不用浏览器抓取也可以,主要是分析网页结构会很头疼,包括如何构造下一页的地址,这些都是非常繁琐耗费精力的。
浏览器抓取虽然耗费点性能,但是人的时间不是最宝贵的吗?机器的时间倒是不怎么值钱。