SinaSpider, 动态IP解决新浪的反爬虫机制,快速抓取内容。

分享于 

3分钟阅读

GitHub

  繁體
动态IP解决新浪的反爬虫机制,快速抓取内容。
  • 源代码名称:SinaSpider
  • 源代码网址:http://www.github.com/szcf-weiya/SinaSpider
  • SinaSpider源代码文档
  • SinaSpider源代码下载
  • Git URL:
    git://www.github.com/szcf-weiya/SinaSpider.git
    Git Clone代码到本地:
    git clone http://www.github.com/szcf-weiya/SinaSpider
    Subversion代码到本地:
    $ svn co --depth empty http://www.github.com/szcf-weiya/SinaSpider
    Checked out revision 1.
    $ cd repo
    $ svn up trunk
    
    SinaSpider

    动态IP解决新浪的反爬虫机制,快速抓取微博内容。

    Background

    抓取1000个公司(在companyList.py文件中)五年内相关的微博,进而统计评论数、转发数、点赞数等等。

    Environment

    • Python2.7
    • winxp服务器(通过某宝购买,关键是ADSL拨号功能,不然无法实现动态IP,也就解决不了新浪的反爬虫机制)

    Results

    • 每个公司五年内的微博(通过sqlite3存储)

      下面截图为company0000.db的微博。

    • 所有公司微博评论数、转发数、点赞数的统计(excel形式呈现)

    References

    刚刚(Sun Sep 10 07:51:46 CST 2017)在整理浏览器的书签,因为自己习惯性会把觉得有用的网页存储为书签,所以日积月累,书签的数量已经十分庞大,决定清理一下。清理之前把那些与此项目的网页书签贴在这里吧


    相关文章