heloowird / weibo_crawler

weibo_crawler -- 微博数据爬虫

爬取含关键词的新浪微博数据: 利用微博高级搜索功能，按关键字搜集一定时间范围内的微博。

• 思路：构造URL，爬取网页，然后解析网页中的微博ID。后续利用微博API进行数据入库。本程序只负责收集微博的ID或自行使用lxml解析微博内容。 ++ 登陆新浪微博，进入高级搜索，输入关键字”空气污染“，选择”实时“，时间为”2013-07-02-2:2013-07-09-2“，地区为”北京“，之后发送请求会发现地址栏变为如下:

http://s.weibo.com/wb/%25E7%25A9%25BA%25E6%25B0%2594%25E6%25B1%25A1%25E6%259F%2593&xsort=time&region=custom:11:1000&timescope=custom:2013-07-02-2:2013-07-09-2&Refer=g         
  固定地址部分：http://s.weibo.com/wb/
  关键字二次UTF-8编码：%25E7%25A9%25BA%25E6%25B0%2594%25E6%25B1%25A1%25E6%259F%2593
  排序为“实时”：xsort=time
  搜索地区：region=custom:11:1000
  搜索时间范围：timescope=custom:2013-07-02-2:2013-07-09-2
  可忽略项：Refer=g
  显示类似微博：nodup=1    注：这个选项可多收集微博，建议加上。默认不加此参数，省略了部分相似微博。
  某次请求的页数：page=1
  另外，高级搜索最多返回50页微博，那么时间间隔设置最小为宜。所以该类设置为搜集一定时间段内最多50页微博

• 依赖包：lxml(解析网页)、py2exe(编译成windows窗口程序依赖包)。

• 运行方法：

  1. 登录微博后使用自己的cookie（暂不支持自动登陆）填充122行中的your_cookie；
  2. 命令行直接运行python fetch_weibo_by_keyword.py； windows 编译窗口程序方法：windows进入控制台，运行python setup.py py2exe，即可生成window窗口程序。

爬取含GPS的新浪微博数据: 利用微博API，按一定空间范围搜集一定时间范围内的含GPS微博。

• 思路：

  1. 选择多个中心点，以10km为半径做buffer覆盖整个城市；
  2. 圆形区域较多，可采用多线程进行。一个buffer对应一个圆形区域，对应一个线程；
  3. 第三步：用额外的线程将采集到的微博数据入库。

• 依赖包：yaml(搜集参数)、pymongo(连接数据库MongoDB)。

• 运行方法：命令行直接运行python fetch_weibo_by_geo.py。

• 配置文件：详见config.yaml文件.