前面讲解了Scrapy中各个模块基本使用方法以及代理池、cookies池。接下来我们以一个反爬比较强的网站新浪微博为例，来实现一下Scrapy的大规模爬取。
本次爬取的目标是新浪微博用户的公开基本信息，如用户昵称、头像、用户的关注、粉丝列表以及发布的微博等，这些信息抓取之后保存至MongoDB。
请确保前文所讲的代理池、cookies池已经实现并可以正常运行，安装Scrapy、PyMongo库。
首先我们要实现用户的大规模爬取。这里采用的爬取方式是，以微博的几个大V为起始点，爬取他们各自的粉丝和关注列表，然后获取粉丝和关注列表的粉丝和关注列表，以此类推，这样下去就可以实现递归爬取。如果一个用户与其他用户有社交网络上的关联，那他们的信息就会被爬虫抓取到，这样我们就可以做到对所有用户的爬取。通过这种方式，我们可以得到用户的唯一ID，再根据ID获取每个用户发布的微博即可。
这里我们选取的爬取站点是：https://m.weibo.cn，此站点是微博移动端的站点。打开该站点会跳转到登录页面，这是因为主页做了登录限制。不过我们可以绕过登录限制，直接打开某个用户详情页面，例如打开周冬雨的微博，链接为：https://m.weibo.cn/u/1916655407，即可进入其个人详情页面，如下图所示。
我们在页面最上方可以看到周冬雨的关注和粉丝数量。我们点击关注，进入到她的关注列表，如下图所示。
我们打开开发者工具，切换到XHR过滤器，一直下拉关注列表，即可看到下方会出现很多Ajax请求，这些请求就是获取周冬雨的关注列表的Ajax请求，如下图所示。
我们打开第一个Ajax请求，它的链接为：https://m.weibo.cn/api/container/getIndex?cnotallow=231051-_followers-_1916655407&luicode=10000011&lfid=1005051916655407&featurecode=20000320&type=uid&value=1916655407&page=2，详情如下图所示。
请求类型是GET类型，返回结果是JSON格式，我们将其展开之后即可看到其关注的用户的基本信息。接下来我们只需要构造这个请求的参数。此链接一共有7个参数，如下图所示。
其中最主要的参数就是和。有了这两个参数，我们同样可以获取请求结果。我们可以将接口精简为：https://m.weibo.cn/api/container/getIndex?cnotallow=231051-_followers-_1916655407&page=2，这里的的前半部分是固定的，后半部分是用户的id。所以这里参数就可以构造出来了，只需要修改最后的和参数即可获取分页形式的关注列表信息。
利用同样的方法，我们也可以分析用户详情的Ajax链接、用户微博列表的Ajax链接，如下所示：
此处的和分别代表用户ID和分页页码。
注意，这个API可能随着时间的变化或者微博的改版而变化，以实测为准。
我们从几个大V开始抓取，抓取他们的粉丝、关注列表、微博信息，然后递归抓取他们的粉丝和关注列表的粉丝、关注列表、微博信息，递归抓取，最后保存微博用户的基本信息、关注和粉丝列表、发布的微博。
我们选择MongoDB作存储的数据库，可以更方便地存储用户的粉丝和关注列表。
接下来我们用Scrapy来实现这个抓取过程。首先创建一个项目，命令如下所示：
进入项目中，新建一个Spider，名为weibocn，命令如下所示：
我们首先修改Spider，配置各个Ajax的URL，选取几个大V，将他们的ID赋值成一个列表，实现方法，也就是依次抓取各个大V的个人详情，然后用进行解析，如下所示：
接下来我们解析用户的基本信息并生成Item。这里我们先定义几个Item，如用户、用户关系、微博的Item，如下所示：
这里定义了字段，指明保存的Collection的名称。用户的关注和粉丝列表直接定义为一个单独的，其中就是用户的ID，就是用户关注列表，是粉丝列表，但这并不意味着我们会将关注和粉丝列表存到一个单独的Collection里。后面我们会用Pipeline对各个Item进行处理、合并存储到用户的Collection里，因此Item和Collection并不一定是完全对应的。
我们开始解析用户的基本信息，实现方法，如下所示：
在这里我们一共完成了两个操作。
- 解析JSON提取用户信息并生成UserItem返回。我们并没有采用常规的逐个赋值的方法，而是定义了一个字段映射关系。我们定义的字段名称可能和JSON中用户的字段名称不同，所以在这里定义成一个字典，然后遍历字典的每个字段实现逐个字段的赋值。
- 构造用户的关注、粉丝、微博的第一页的链接，并生成Request，这里需要的参数只有用户的ID。另外，初始分页页码直接设置为1即可。
接下来，我们还需要保存用户的关注和粉丝列表。以关注列表为例，其解析方法为，实现如下所示：
那么在这个方法里面我们做了如下三件事。
- 解析关注列表中的每个用户信息并发起新的解析请求。我们首先解析关注列表的信息，得到用户的ID，然后再利用
- 构造访问用户详情的Request，回调就是刚才所定义的
- 方法。
- 提取用户关注列表内的关键信息并生成
- 。
- 字段直接设置成用户的ID，JSON返回数据中的用户信息有很多冗余字段。在这里我们只提取了关注用户的ID和用户名，然后把它们赋值给
- 字段，
- 字段设置成空列表。这样我们就建立了一个存有用户ID和用户部分关注列表的
- ，之后合并且保存具有同一个ID的
- 的关注和粉丝列表。
- 提取下一页关注。只需要将此请求的分页页码加1即可。分页页码通过Request的
- 属性进行传递，Response的
- 来接收。这样我们构造并返回下一页的关注列表的Request。
抓取粉丝列表的原理和抓取关注列表原理相同，在此不再赘述。
接下来我们还差一个方法的实现，即，它用来抓取用户的微博信息，实现如下所示：
在这里方法完成了两件事。
- 提取用户的微博信息，并生成WeiboItem。这里同样建立了一个字段映射表，实现批量字段赋值。
- 提取下一页的微博列表。这里同样需要传入用户ID和分页页码。
目前为止，微博的Spider已经完成。后面还需要对数据进行数据清洗存储，以及对接代理池、cookies池来防止反爬虫。
有些微博的时间可能不是标准的时间，比如它可能显示为刚刚、几分钟前、几小时前、昨天等。这里我们需要统一转化这些时间，实现一个方法，如下所示：
我们用正则来提取一些关键数字，用time库来实现标准时间的转换。
以X分钟前的处理为例，爬取的时间会赋值为字段。我们首先用正则匹配这个时间，表达式写作，如果提取到的时间符合这个表达式，那么就提取出其中的数字，这样就可以获取分钟数了。接下来使用模块的方法，第一个参数传入要转换的时间格式，第二个参数就是时间戳。在这里我们用当前的时间戳减去此分钟数乘以60就是当时的时间戳，这样我们就可以得到格式化后的正确时间了。
然后Pipeline可以实现如下处理：
我们在Spider里没有对字段赋值，它代表爬取时间，我们可以统一将其赋值为当前时间，实现如下所示：
在这里我们判断了Item如果是UserItem或WeiboItem类型，那么就给它的字段赋值为当前时间。
通过上面的两个Pipeline，我们便完成了数据清洗工作，这里主要是时间的转换。
数据清洗完毕之后，我们就要将数据保存到MongoDB数据库。我们在这里实现MongoPipeline类，如下所示：
当前的MongoPipeline和前面我们所写的有所不同，主要有以下几点。
- 方法里添加了Collection的索引，在这里为两个Item都添加了索引，索引的字段是
- 。由于我们这次是大规模爬取，爬取过程涉及数据的更新问题，所以我们为每个Collection建立了索引，这样可以大大提高检索效率。
- 在
- 方法里存储使用的是
- 方法，第一个参数是查询条件，第二个参数是爬取的Item。这里我们使用了
- 操作符，如果爬取到重复的数据即可对数据进行更新，同时不会删除已存在的字段。如果这里不加
- 操作符，那么会直接进行
- 替换，这样可能会导致已存在的字段如关注和粉丝列表清空。第三个参数设置为True，如果数据不存在，则插入数据。这样我们就可以做到数据存在即更新、数据不存在即插入，从而获得去重的效果。
- 对于用户的关注和粉丝列表，我们使用了一个新的操作符，叫作
- ，这个操作符可以向列表类型的字段插入数据同时去重。它的值就是需要操作的字段名称。这里利用了
- 操作符对需要插入的列表数据进行了遍历，以逐条插入用户的关注或粉丝数据到指定的字段。关于该操作更多解释可以参考MongoDB的官方文档，链接为：https://docs.mongodb.com/manual/reference/operator/update/addToSet/。
新浪微博的反爬能力非常强，我们需要做一些防范反爬虫的措施才可以顺利完成数据爬取。
如果没有登录而直接请求微博的API接口，这非常容易导致403状态码。这个情况我们在cookies池一节也提过。所以在这里我们实现一个Middleware，为每个Request添加随机的cookies。
我们先开启cookies池，使API模块正常运行。例如在本地运行5000端口，访问：http://localhost:5000/weibo/random，即可获取随机的cookies。当然也可以将cookies池部署到远程的服务器，这样只需要更改访问的链接。
我们在本地启动cookies池，实现一个Middleware，如下所示：
我们首先利用方法获取了变量，它定义在settings.py里，这就是刚才我们所说的接口。接下来实现方法，这个方法主要就是请求此cookies池接口并获取接口返回的随机cookies。如果成功获取，则返回cookies；否则返回。接下来，在方法里，我们给对象的属性赋值，其值就是获取的随机cookies，这样我们就成功地为每一次请求赋值cookies了。
如果启用了该Middleware，每个请求都会被赋值随机的cookies。这样我们就可以模拟登录之后的请求，403状态码基本就不会出现。
微博还有一个反爬措施就是，检测到同一IP请求量过大时就会出现414状态码。如果遇到这样的情况可以切换代理。例如，在本地5555端口运行，获取随机可用代理的地址为：http://localhost:5555/random，访问这个接口即可获取一个随机可用代理。接下来我们再实现一个Middleware，代码如下所示：
同样的原理，我们实现了一个方法用于请求代理池的接口获取随机代理。如果获取成功，则返回改代理，否则返回。在方法中，我们给对象的属性赋值一个字段，该字段的值就是代理。另外，赋值代理的判断条件是当前不为空，也就是说第一次请求失败之后才启用代理，因为使用代理后访问速度会慢一些。所以我们在这里设置了只有重试的时候才启用代理，否则直接请求。这样就可以保证在没有被封禁的情况下直接爬取，保证了爬取速度。
接下来，我们在配置文件中启用这两个Middleware，修改settings.py如下所示：
注意这里的优先级设置，前文提到了Scrapy的默认Downloader Middleware的设置如下：
要使得我们自定义的cookiesMiddleware生效，它在内置的cookiesMiddleware之前调用。内置的cookiesMiddleware的优先级为700，所以这里我们设置一个比700小的数字即可。
要使得我们自定义的ProxyMiddleware生效，它在内置的HttpProxyMiddleware之前调用。内置的HttpProxyMiddleware的优先级为750，所以这里我们设置一个比750小的数字即可。
到此为止，整个微博爬虫就实现完毕了。我们运行如下命令启动爬虫：
输出结果如下所示：
运行一段时间后，我们便可以到MongoDB数据库查看数据，爬取下来的数据如下图所示。
针对用户信息，我们不仅爬取了其基本信息，还把关注和粉丝列表加到了和字段并做了去重操作。针对微博信息，我们成功进行了时间转换处理，同时还保存了微博的图片列表信息。
本节代码地址为：https://github.com/Python3WebSpider/Weibo。
本节实现了新浪微博的用户及其粉丝关注列表和微博信息的爬取，还对接了cookies池和代理池来处理反爬虫。不过现在是针对单机的爬取，后面我们会将此项目修改为分布式爬虫，以进一步提高抓取效率。