内容概要:
最近自己学习了一些爬虫，学习之余，写了一个新浪微博的爬虫。大规模爬数据没有试过，但是爬取几十万应该没有什么问题。爬虫爬取的站点是新浪移动端站点。github地址为：https://github.com/yz21606948/sinaSpider
第一次写文章，难免有疏忽，大家共同交流，共同进步。也请喜欢的朋友，在github上打个star
内容分为三章，第一张介绍scrapy，第二张分析爬取网站，第三章分析代码。
Fiddler工具
Fiddler是位于客户端和服务器端的HTTP代理，也是目前最常用的http抓包工具之一。它能够记录客户端和服务器之间的所有HTTP请求，可以针对特定的HTTP请求，分析请求数据、设置断点、调试Web应用、请求修改数据、甚至可以修改服务器返回的数据，功能非常强大，是WEB调试的利器。
既然是代理，也就是说：客户端的所有请求都要先经过Fiddler，然后转发到相应的服务器，反之，服务器端的所有相应，也都会先经过Fiddler然后发送到客户端。
分析新浪微博数据结构
首先我们登录微博可以看到Fiddler抓取的包：
其中点击 /api/container/getIndex?type=uid&value=6311254871&containerid=1005056311254871 HTTP/1.1我们可以看到微博获取个人信息的API接口，里面存放着json数据。
简单分析下JSON，我们可以知道里面存放着昵称、个性签名、微博数、关注数、粉丝数等个人信息。我们可以记录下我们需要的信息。
同理，我们通过不断分析Fiddler抓取的包可以得到微博内容的API，粉丝列表的API，关注者列表的API。里面依旧是JSON格式，我们从中记录下我们需要的信息。
编写Model层
刚刚我们记录下了各个API中我们需要抓取的信息，然后就可以在程序中编写我们的数据层了。scrapy是用Django编写的，他们的数据层基本是一样的，是由Django的ARM框架封装的。
类似于下图，我们把带抓取的数据格式写好：
把数据库配置好：
完成以上步骤就可以准备编写我们的爬虫代码了。
参考：
1、《Python网络数据采集》
网友评论