Python 3.6 抓取微博m站数据
2019.05.01 更新内容
- containerid 可以通过
"107603" + user_id组装得到，无需请求个人信息获取； - 优化多线程抓取，修复之前因
urllib.request全局定义，导致代理无法正常切回本地IP； - 优化分布式抓取策略，由每台机器顺序获取用户ID 再拼装URL抓取策略，修改为每台机器顺序获取URL进行抓取。防止由于某个微博账号微博动态过多导致负责本ID的机器长时间运行，而其他机器就要等待，浪费时间和资源。
- 加入IP代理池维护脚本，可以定时维护代理池中的有效代理IP，及时剔除无效IP。
- 加入Redis定时消费脚本，解决因抓取结果过大导致redis性能下降。
- 增加Redis连接池
ConnectionPool，解决因Redis链接端口数过多导致Redis拒绝服务错误。 - 调整Redis数据存储结构，采用list+set结合，存储UID+URL
- 单机https代理消费约100元/天，单机5个进程+代理每天能达到1000万条数据
本脚本截止20190501
- 网址： https://m.weibo.cn/u/5463009082 新浪微博m站（智能手机网页端）
- api ： https://m.weibo.cn/api/container/getIndex?type=uid&value=5463009082&containerid=1076035463009082
- 抓取： 根据用户userId抓取历史发布的微博信息
- 方法： python请求api接口（非页面）
- 反扒： 疯狂抓取10-20s，IP会被禁封1-3分钟 或者 抓取2分钟禁封10分钟
- 备注： 无需登录+IP代理池
- 环境： Windosw或Linux、Python 3.6、Mysql、Redis
| 类型 | 效果 | 代理花费 |
|---|---|---|
| 单机版（多线程+多进程） | 150万/天 | 0 |
| 单机版（多线程+多进程）+IP代理池 | 1000万/天 | 100元/天 |
| 分布式（多线程+多进程）+IP代理池 | 千万~亿级 | 100*机器数量/天 |
抓取流程
- 启动
save_uid.py脚本将准备好的微博用户ID，存入Redis中，保存两份；-
r.lpush(WEIBO_UID_LIST_KEY, uid)用于第一次遍历UID请求每个UID的总页数，然后生成每个UID的所有URL。 -
r.sadd(WEIBO_UID_SET_KEY, uid)用于第二次请求，随机获取一个未抓取完的UID，去Redis中取当前UID剩余的URL进行抓取，全部抓取完毕则移除此UID。
-
- 启动
proxy_pool.py脚本，初始化IP代理池（如果不使用代理，此步骤可略过）-
target_money用来获取你所购买的IP代理剩余金额的URL连接 -
target_ip请求代理IP获取有效的代理IP -
targetUrl用来校验当前IP是否有效 -
WEIBO_PROXY_SET_KEY存储有效的代理IP -
WEIBO_PROXY_418_SET_KEY存储已经出现418错误的IP，会循环利用，直到代理失效 -
WEIBO_ERROR_PROXY_SET_KEY存储已经使用过的IP（失效IP），用于后期校验
-
- 启动
start_crawler.py脚本，开启抓取任务- 首先会第一次请求遍历UID，生成所有的URL，然后所有的线程获取URL进行抓取
- 先会尝试使用本地IP进行抓取，本地IP出现418之后，尝试去IP代理池获取可使用的IP，继续抓取
- 使用代理IP抓取超过60s，停止代理抓取改为使用本地IP，循环进行
- 代理IP出现418，则先去尝试使用本地IP，如果本地418再继续更换代理
- 如果代理池没有可用IP，则休息30s，继续使用本地IP
- 添加Linux定时脚本，定时处理Redis队列中的抓取结果。
关于代理IP
- 抓取微博的https连接，只能使用https代理，可选择市面上其他类型的代理商；
- 免费的代理ip也有尝试，不过效果不是很好
部署问题
- 需要一台主服务器（或者本机Windows电脑）来初始化运行
save_uid.py和proxy_pool.py脚本 - 在Redis所在的服务器进行
redis_consumer.py脚本的运行部署 -
start_crawler.py可以集群部署到多台服务器，但要保证都能网络连通到Redis服务器 - 添加定时脚本
crontab -e内容 如下0 */1 * * * nohup python /data/hw/redis_consume.py > /dev/null 2>&1 & -
service cron restart重启cron定时服务 -
创建start.sh 开启多进程抓取
```bash
#!/bin/bash
# 开始爬虫程序;for((i=1;i<=5;i++));
do
nohup python /data/hw/start_crawler.py 1>/dev/null 2>&1 &
echo "开启爬虫程序进程"+$i
donesleep 5s
echo "已开启以下进程"
ps -ef|grep python```
20190501目录
- proxy_pool.py #维护IP代理池
- redis_consume.py #redis定时消费
- save_uid.py #初始化uid
- start.sh #一键启动脚本
- start_crawler.py #开启抓取程序，可以集群部署