正文

爬蟲爬取高頻關鍵詞（python爬蟲爬取關鍵詞頻率）

發(fā)布時間：2023-04-22 00:15:49 稿源：創(chuàng)意嶺閱讀： 112

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于爬蟲爬取高頻關鍵詞的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關鍵詞，就能返回你想要的內容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內優(yōu)秀的企業(yè)，服務客戶遍布全球各地，如需了解SEO相關業(yè)務請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、python爬蟲是什么
2、Python爬蟲可以爬取什么
3、python 新浪微博爬蟲，求助
4、網(wǎng)絡爬蟲抓取數(shù)據(jù) 有什么好的應用

爬蟲爬取高頻關鍵詞（python爬蟲爬取關鍵詞頻率）

一、python爬蟲是什么

Python爬蟲是指在某種原因進行互聯(lián)網(wǎng)請求獲取信息

二、Python爬蟲可以爬取什么

Python爬蟲可以爬取的東西有很多，Python爬蟲怎么學？簡單的分析下：

如果你仔細觀察，就不難發(fā)現(xiàn)，懂爬蟲、學習爬蟲的人越來越多，一方面，互聯(lián)網(wǎng)可以獲取的數(shù)據(jù)越來越多，另一方面，像 Python這樣的編程語言提供越來越多的優(yōu)秀工具，讓爬蟲變得簡單、容易上手。

利用爬蟲我們可以獲取大量的價值數(shù)據(jù)，從而獲得感性認識中不能得到的信息，比如：

知乎：爬取優(yōu)質答案，為你篩選出各話題下最優(yōu)質的內容。
淘寶、京東：抓取商品、評論及銷量數(shù)據(jù)，對各種商品及用戶的消費場景進行分析。
安居客、鏈家：抓取房產(chǎn)買賣及租售信息，分析房價變化趨勢、做不同區(qū)域的房價分析。
拉勾網(wǎng)、智聯(lián)：爬取各類職位信息，分析各行業(yè)人才需求情況及薪資水平。
雪球網(wǎng)：抓取雪球高回報用戶的行為，對股票市場進行分析和預測。

爬蟲是入門Python最好的方式，沒有之一。Python有很多應用的方向，比如后臺開發(fā)、web開發(fā)、科學計算等等，但爬蟲對于初學者而言更友好，原理簡單，幾行代碼就能實現(xiàn)基本的爬蟲，學習的過程更加平滑，你能體會更大的成就感。

掌握基本的爬蟲后，你再去學習Python數(shù)據(jù)分析、web開發(fā)甚至機器學習，都會更得心應手。因為這個過程中，Python基本語法、庫的使用，以及如何查找文檔你都非常熟悉了。

對于小白來說，爬蟲可能是一件非常復雜、技術門檻很高的事情。比如有人認為學爬蟲必須精通 Python，然后哼哧哼哧系統(tǒng)學習 Python 的每個知識點，很久之后發(fā)現(xiàn)仍然爬不了數(shù)據(jù)；有的人則認為先要掌握網(wǎng)頁的知識，遂開始 HTMLCSS，結果入了前端的坑，瘁……

但掌握正確的方法，在短時間內做到能夠爬取主流網(wǎng)站的數(shù)據(jù)，其實非常容易實現(xiàn)，但建議你從一開始就要有一個具體的目標。

在目標的驅動下，你的學習才會更加精準和高效。那些所有你認為必須的前置知識，都是可以在完成目標的過程中學到的。這里給你一條平滑的、零基礎快速入門的學習路徑。

1.學習 Python 包并實現(xiàn)基本的爬蟲過程
2.了解非結構化數(shù)據(jù)的存儲
3.學習scrapy，搭建工程化爬蟲
4.學習數(shù)據(jù)庫知識，應對大規(guī)模數(shù)據(jù)存儲與提取
5.掌握各種技巧，應對特殊網(wǎng)站的反爬措施
6.分布式爬蟲，實現(xiàn)大規(guī)模并發(fā)采集，提升效率

一

學習 Python 包并實現(xiàn)基本的爬蟲過程

大部分爬蟲都是按“發(fā)送請求——獲得頁面——解析頁面——抽取并儲存內容”這樣的流程來進行，這其實也是模擬了我們使用瀏覽器獲取網(wǎng)頁信息的過程。

Python中爬蟲相關的包很多：urllib、requests、bs4、scrapy、pyspider 等，建議從requests+Xpath 開始，requests 負責連接網(wǎng)站，返回網(wǎng)頁，Xpath 用于解析網(wǎng)頁，便于抽取數(shù)據(jù)。

如果你用過 BeautifulSoup，會發(fā)現(xiàn) Xpath 要省事不少，一層一層檢查元素代碼的工作，全都省略了。這樣下來基本套路都差不多，一般的靜態(tài)網(wǎng)站根本不在話下，豆瓣、糗事百科、騰訊新聞等基本上都可以上手了。

當然如果你需要爬取異步加載的網(wǎng)站，可以學習瀏覽器抓包分析真實請求或者學習Selenium來實現(xiàn)自動化，這樣，知乎、時光網(wǎng)、貓途鷹這些動態(tài)的網(wǎng)站也可以迎刃而解。

二

了解非結構化數(shù)據(jù)的存儲

爬回來的數(shù)據(jù)可以直接用文檔形式存在本地，也可以存入數(shù)據(jù)庫中。

開始數(shù)據(jù)量不大的時候，你可以直接通過 Python 的語法或 pandas 的方法將數(shù)據(jù)存為csv這樣的文件。

當然你可能發(fā)現(xiàn)爬回來的數(shù)據(jù)并不是干凈的，可能會有缺失、錯誤等等，你還需要對數(shù)據(jù)進行清洗，可以學習 pandas 包的基本用法來做數(shù)據(jù)的預處理，得到更干凈的數(shù)據(jù)。

三

學習 scrapy，搭建工程化的爬蟲

掌握前面的技術一般量級的數(shù)據(jù)和代碼基本沒有問題了，但是在遇到非常復雜的情況，可能仍然會力不從心，這個時候，強大的 scrapy 框架就非常有用了。

scrapy 是一個功能非常強大的爬蟲框架，它不僅能便捷地構建request，還有強大的 selector 能夠方便地解析 response，然而它最讓人驚喜的還是它超高的性能，讓你可以將爬蟲工程化、模塊化。

學會 scrapy，你可以自己去搭建一些爬蟲框架，你就基本具備爬蟲工程師的思維了。

四

學習數(shù)據(jù)庫基礎，應對大規(guī)模數(shù)據(jù)存儲

爬回來的數(shù)據(jù)量小的時候，你可以用文檔的形式來存儲，一旦數(shù)據(jù)量大了，這就有點行不通了。所以掌握一種數(shù)據(jù)庫是必須的，學習目前比較主流的 MongoDB 就OK。

MongoDB 可以方便你去存儲一些非結構化的數(shù)據(jù)，比如各種評論的文本，圖片的鏈接等等。你也可以利用PyMongo，更方便地在Python中操作MongoDB。

因為這里要用到的數(shù)據(jù)庫知識其實非常簡單，主要是數(shù)據(jù)如何入庫、如何進行提取，在需要的時候再學習就行。

五

掌握各種技巧，應對特殊網(wǎng)站的反爬措施

當然，爬蟲過程中也會經(jīng)歷一些絕望啊，比如被網(wǎng)站封IP、比如各種奇怪的驗證碼、userAgent訪問限制、各種動態(tài)加載等等。

遇到這些反爬蟲的手段，當然還需要一些高級的技巧來應對，常規(guī)的比如訪問頻率控制、使用代理IP池、抓包、驗證碼的OCR處理等等。

往往網(wǎng)站在高效開發(fā)和反爬蟲之間會偏向前者，這也為爬蟲提供了空間，掌握這些應對反爬蟲的技巧，絕大部分的網(wǎng)站已經(jīng)難不到你了.

六

分布式爬蟲，實現(xiàn)大規(guī)模并發(fā)采集

爬取基本數(shù)據(jù)已經(jīng)不是問題了，你的瓶頸會集中到爬取海量數(shù)據(jù)的效率。這個時候，相信你會很自然地接觸到一個很厲害的名字：分布式爬蟲。

分布式這個東西，聽起來很恐怖，但其實就是利用多線程的原理讓多個爬蟲同時工作，需要你掌握 Scrapy + MongoDB + Redis 這三種工具。

Scrapy 前面我們說過了，用于做基本的頁面爬取，MongoDB 用于存儲爬取的數(shù)據(jù)，Redis 則用來存儲要爬取的網(wǎng)頁隊列，也就是任務隊列。

所以有些東西看起來很嚇人，但其實分解開來，也不過如此。當你能夠寫分布式的爬蟲的時候，那么你可以去嘗試打造一些基本的爬蟲架構了，實現(xiàn)一些更加自動化的數(shù)據(jù)獲取。

你看，這一條學習路徑下來，你已然可以成為老司機了，非常的順暢。所以在一開始的時候，盡量不要系統(tǒng)地去啃一些東西，找一個實際的項目（開始可以從豆瓣、小豬這種簡單的入手），直接開始就好。

因為爬蟲這種技術，既不需要你系統(tǒng)地精通一門語言，也不需要多么高深的數(shù)據(jù)庫技術，高效的姿勢就是從實際的項目中去學習這些零散的知識點，你能保證每次學到的都是最需要的那部分。

當然唯一麻煩的是，在具體的問題中，如何找到具體需要的那部分學習資源、如何篩選和甄別，是很多初學者面臨的一個大問題。

以上就是我的回答，希望對你有所幫助，望采納。

三、python 新浪微博爬蟲，求助

0x00. 起因

因為參加學校大學生創(chuàng)新競賽，研究有關微博博文表達的情緒，需要大量微博博文，而網(wǎng)上無論是國內的某度、csdn，還是國外谷歌、gayhub、codeproject等都找不到想要的程序，沒辦法只能自己寫一個程序了。

ps.在爬盟找到類似的程序，但是是windows下的，并且閉源，而且最終爬取保存的文件用notepad++打開有很多奇怪的問題，所以放棄了。

0x01. 基礎知識

本程序由Python寫成，所以基本的python知識是必須的。另外，如果你有一定的計算機網(wǎng)絡基礎，在前期準備時會有少走很多彎路。

對于爬蟲，需要明確幾點：

1. 對爬取對象分類，可以分為以下幾種：第一種是不需要登錄的，比如博主以前練手時爬的中國天氣網(wǎng)，這種網(wǎng)頁爬取難度較低，建議爬蟲新手爬這類網(wǎng)頁；第二種是需要登錄的，如豆瓣、新浪微博，這些網(wǎng)頁爬取難度較高；第三種獨立于前兩種，你想要的信息一般是動態(tài)刷新的，如AJAX或內嵌資源，這種爬蟲難度最大，博主也沒研究過，在此不細舉（據(jù)同學說淘寶的商品評論就屬于這類）。

2. 如果同一個數(shù)據(jù)源有多種形式（比如電腦版、手機版、客戶端等），優(yōu)先選取較為“純凈的”展現(xiàn)。比如新浪微博，有網(wǎng)頁版，也有手機版，而且手機版可以用電腦瀏覽器訪問，這時我優(yōu)先選手機版新浪微博。

3. 爬蟲一般是將網(wǎng)頁下載到本地，再通過某些方式提取出感興趣的信息。也就是說，爬取網(wǎng)頁只完成了一半，你還要將你感興趣的信息從下載下來的html文件中提取出來。這時就需要一些xml的知識了，在這個項目中，博主用的是XPath提取信息，另外可以使用XQuery等等其他技術，詳情請訪問w3cschool。

4. 爬蟲應該盡量模仿人類，現(xiàn)在網(wǎng)站反爬機制已經(jīng)比較發(fā)達，從驗證碼到禁IP，爬蟲技術和反爬技術可謂不斷博弈。

0x02. 開始

決定了爬蟲的目標之后，首先應該訪問目標網(wǎng)頁，明確目標網(wǎng)頁屬于上述幾種爬蟲的哪種，另外，記錄為了得到感興趣的信息你需要進行的步驟，如是否需要登錄，如果需要登錄，是否需要驗證碼；你要進行哪些操作才能獲得希望得到的信息，是否需要提交某些表單；你希望得到的信息所在頁面的url有什么規(guī)律等等。

以下博文以博主項目為例，該項目爬取特定新浪微博用戶從注冊至今的所有微博博文和根據(jù)關鍵詞爬取100頁微博博文（大約1000條）。

0x03. 收集必要信息

首先訪問目標網(wǎng)頁，發(fā)現(xiàn)需要登錄，進入登錄頁面如下新浪微博手機版登錄頁面

注意url后半段有很多形如”%xx”的轉義字符，本文后面將會講到。

從這個頁面可以看到，登錄新浪微博手機版需要填寫賬號、密碼和驗證碼。

這個驗證碼是近期（本文創(chuàng)作于2016.3.11）才需要提供的，如果不需要提供驗證碼的話，將有兩種方法進行登錄。

第一種是填寫賬號密碼之后執(zhí)行js模擬點擊“登錄”按鈕，博主之前寫過一個Java爬蟲就是利用這個方法，但是現(xiàn)在找不到工程了，在此不再贅述。

第二種需要一定HTTP基礎，提交包含所需信息的HTTP POST請求。我們需要Wireshark 工具來抓取登錄微博時我們發(fā)出和接收的數(shù)據(jù)包。如下圖我抓取了在登錄時發(fā)出和接收的數(shù)據(jù)包Wireshark抓取結果1

在搜索欄提供搜索條件”http”可得到所有http協(xié)議數(shù)據(jù)包，右側info顯示該數(shù)據(jù)包的縮略信息。圖中藍色一行是POST請求，并且info中有”login”，可以初步判斷這個請求是登錄時發(fā)出的第一個數(shù)據(jù)包，并且這個180.149.153.4應該是新浪微博手機版登錄認證的服務器IP地址，此時我們并沒有任何的cookie。

在序號為30是數(shù)據(jù)包中有一個從該IP發(fā)出的HTTP數(shù)據(jù)包，里面有四個Set-Cookie字段，這些cookie將是我們爬蟲的基礎。

Wireshark抓取結果2

早在新浪微博服務器反爬機制升級之前，登錄是不需要驗證碼的，通過提交POST請求，可以拿到這些cookie，在項目源碼中的TestCookie.py中有示例代碼。

ps.如果沒有wireshark或者不想這么麻煩的話，可以用瀏覽器的開發(fā)者工具，以chrome為例，在登錄前打開開發(fā)者工具，轉到Network，登錄，可以看到發(fā)出和接收的數(shù)據(jù)，登錄完成后可以看到cookies，如下圖chrome開發(fā)者工具

接下來訪問所需頁面，查看頁面url是否有某種規(guī)律。由于本項目目標之一是獲取某用戶的全部微博，所以直接訪問該用戶的微博頁面，以央視新聞為例。

央視新聞1

圖為央視新聞微博第一頁，觀察該頁面的url可以發(fā)現(xiàn)，新浪微博手機版的微博頁面url組成是 “weibo.cn/(displayID)?page=(pagenum)” 。這將成為我們爬蟲拼接url的依據(jù)。

接下來查看網(wǎng)頁源碼，找到我們希望得到的信息的位置。打開瀏覽器開發(fā)者工具，直接定位某條微博，可以發(fā)現(xiàn)它的位置，如下所示。

xpath

觀察html代碼發(fā)現(xiàn)，所有的微博都在<div>標簽里，并且這個標簽里有兩個屬性，其中class屬性為”c”，和一個唯一的id屬性值。得到這個信息有助于將所需信息提取出來。

另外，還有一些需要特別注意的因素

* 微博分為原創(chuàng)微博和轉發(fā)微博

* 按照發(fā)布時間至當前時間的差距，在頁面上有”MM分鐘前”、”今天HH:MM”、”mm月dd日 HH:MM”、”yyyy-mm-dd HH:MM:SS”等多種顯示時間的方式* 手機版新浪微博一個頁面大約顯示10條微博，所以要注意對總共頁數(shù)進行記錄以上幾點都是細節(jié)，在爬蟲和提取的時候需要仔細考慮。

0x04. 編碼

1.爬取用戶微博

本項目開發(fā)語言是Python 2.7，項目中用了一些第三方庫，第三方庫可以用pip的方法添加。

既然程序自動登錄的想法被驗證碼擋住了，想要訪問特定用戶微博頁面，只能使用者提供cookies了。

首先用到的是Python的request模塊，它提供了帶cookies的url請求。

import request

print request.get(url, cookies=cookies).content使用這段代碼就可以打印帶cookies的url請求頁面結果。

首先取得該用戶微博頁面數(shù)，通過檢查網(wǎng)頁源碼，查找到表示頁數(shù)的元素，通過XPath等技術提取出頁數(shù)。

頁數(shù)

項目使用lxml模塊對html進行XPath提取。

首先導入lxml模塊，在項目里只用到了etree，所以from lxml import etree

然后利用下面的方法返回頁數(shù)

def getpagenum(self):

url = self.geturl(pagenum=1)

html = requests.get(url, cookies=self.cook).content # Visit the first page to get the page number.

selector = etree.HTML(html)

pagenum = selector.xpath('//input[@name="mp"]/@value')[0]

return int(pagenum)

接下來就是不斷地拼接url->訪問url->下載網(wǎng)頁。

需要注意的是，由于新浪反爬機制的存在，同一cookies訪問頁面過于“頻繁”的話會進入類似于“冷卻期”，即返回一個無用頁面，通過分析該無用頁面發(fā)現(xiàn)，這個頁面在特定的地方會出現(xiàn)特定的信息，通過XPath技術來檢查這個特定地方是否出現(xiàn)了特定信息即可判斷該頁面是否對我們有用。

def ispageneeded(html):

selector = etree.HTML(html)

try:

title = selector.xpath('//title')[0]

except:

return False

return title.text != '微博廣場' and title.text != '微博'

如果出現(xiàn)了無用頁面，只需簡單地重新訪問即可，但是通過后期的實驗發(fā)現(xiàn)，如果長期處于過頻訪問，返回的頁面將全是無用頁面，程序也將陷入死循環(huán)。為了避免程序陷入死循環(huán)，博主設置了嘗試次數(shù)閾值trycount，超過這個閾值之后方法自動返回。

下面代碼片展示了單線程爬蟲的方法。

def startcrawling(self, startpage=1, trycount=20):

attempt = 0

try:

os.mkdir(sys.path[0] + '/Weibo_raw/' + self.wanted)except Exception, e:

print str(e)

isdone = False

while not isdone and attempt < trycount:

try:

pagenum = self.getpagenum()

isdone = True

except Exception, e:

attempt += 1

if attempt == trycount:

return False

i = startpage

while i <= pagenum:

attempt = 0

isneeded = False

html = ''

while not isneeded and attempt < trycount:

html = self.getpage(self.geturl(i))

isneeded = self.ispageneeded(html)

if not isneeded:

attempt += 1

if attempt == trycount:

return False

self.savehtml(sys.path[0] + '/Weibo_raw/' + self.wanted + '/' + str(i) + '.txt', html)print str(i) + '/' + str(pagenum - 1)

i += 1

return True

考慮到程序的時間效率，在寫好單線程爬蟲之后，博主也寫了多線程爬蟲版本，基本思想是將微博頁數(shù)除以線程數(shù)，如一個微博用戶有100頁微博，程序開10個線程，那么每個線程只負責10個頁面的爬取，其他基本思想跟單線程類似，只需仔細處理邊界值即可，在此不再贅述，感興趣的同學可以直接看代碼。另外，由于多線程的效率比較高，并發(fā)量特別大，所以服務器很容易就返回無效頁面，此時trycount的設置就顯得更重要了。博主在寫這篇微博的時候，用一個新的cookies，多線程爬取現(xiàn)場測試了一下爬取北京郵電大學的微博，3976條微博全部爬取成功并提取博文，用時僅15s，實際可能跟cookies的新舊程度和網(wǎng)絡環(huán)境有關，命令行設置如下，命令行意義在項目網(wǎng)址里有說明python main.py _T_WM=xxx; SUHB=xxx; SUB=xxx; gsid_CTandWM=xxx u bupt m 20 20爬取的工作以上基本介紹結束，接下來就是爬蟲的第二部分，解析了。由于項目中提供了多線程爬取方法，而多線程一般是無序的，但微博博文是依靠時間排序的，所以項目采用了一種折衷的辦法，將下載完成的頁面保存在本地文件系統(tǒng)，每個頁面以其頁號為文件名，待爬取的工作結束后，再遍歷文件夾內所有文件并解析。

通過前面的觀察，我們已經(jīng)了解到微博博文存在的標簽有什么特點了，利用XPath技術，將這個頁面里所有有這個特點的標簽全部提取出來已經(jīng)不是難事了。

在這再次提醒，微博分為轉發(fā)微博和原創(chuàng)微博、時間表示方式。另外，由于我們的研究課題僅對微博文本感興趣，所以配圖不考慮。

def startparsing(self, parsingtime=datetime.datetime.now()):

basepath = sys.path[0] + '/Weibo_raw/' + self.uidfor filename in os.listdir(basepath):

if filename.startswith('.'):

continue

path = basepath + '/' + filename

f = open(path, 'r')

html = f.read()

selector = etree.HTML(html)

weiboitems = selector.xpath('//div[@class="c"][@id]')for item in weiboitems:

weibo = Weibo()

weibo.id = item.xpath('./@id')[0]

cmt = item.xpath('./div/span[@class="cmt"]')if len(cmt) != 0:

weibo.isrepost = True

weibo.content = cmt[0].text

else:

weibo.isrepost = False

ctt = item.xpath('./div/span[@class="ctt"]')[0]

if ctt.text is not None:

weibo.content += ctt.text

for a in ctt.xpath('./a'):

if a.text is not None:

weibo.content += a.text

if a.tail is not None:

weibo.content += a.tail

if len(cmt) != 0:

reason = cmt[1].text.split(u'\xa0')

if len(reason) != 1:

weibo.repostreason = reason[0]

ct = item.xpath('./div/span[@class="ct"]')[0]

time = ct.text.split(u'\xa0')[0]

weibo.time = self.gettime(self, time, parsingtime)self.weibos.append(weibo.__dict__)

f.close()

方法傳遞的參數(shù)parsingtime的設置初衷是，開發(fā)前期爬取和解析可能不是同時進行的（并不是嚴格的“同時”），微博時間顯示是基于訪問時間的，比如爬取時間是10:00，這時爬取到一條微博顯示是5分鐘前發(fā)布的，但如果解析時間是10:30，那么解析時間將錯誤，所以應該講解析時間設置為10:00。到后期爬蟲基本開發(fā)完畢，爬取工作和解析工作開始時間差距降低，時間差將是爬取過程時長，基本可以忽略。

解析結果保存在一個列表里，最后將這個列表以json格式保存到文件系統(tǒng)里，刪除過渡文件夾，完成。

def save(self):

f = open(sys.path[0] + '/Weibo_parsed/' + self.uid + '.txt', 'w')jsonstr = json.dumps(self.weibos, indent=4, ensure_ascii=False)f.write(jsonstr)

f.close()

2.爬取關鍵詞

同樣的，收集必要的信息。在微博手機版搜索頁面敲入”python”，觀察url，研究其規(guī)律。雖然第一頁并無規(guī)律，但是第二頁我們發(fā)現(xiàn)了規(guī)律，而且這個規(guī)律可以返回應用于第一頁第一頁

第二頁

應用后第一頁

觀察url可以發(fā)現(xiàn)，對于關鍵詞的搜索，url中的變量只有keyword和page（事實上，hideSearchFrame對我們的搜索結果和爬蟲都沒有影響），所以在代碼中我們就可以對這兩個變量進行控制。

另外，如果關鍵詞是中文，那么url就需要對中文字符進行轉換，如我們在搜索框敲入”開心”并搜索，發(fā)現(xiàn)url如下顯示搜索開心

但復制出來卻為

http://weibo.cn/search/mblog?hideSearchFrame=&keyword=%E5%BC%80%E5%BF%83&page=1幸好，python的urllib庫有qoute方法處理中文轉換的功能（如果是英文則不做轉換），所以在拼接url前使用這個方法處理一下參數(shù)。

另外，考慮到關鍵詞搜索屬于數(shù)據(jù)收集階段使用的方法，所以在此只提供單線程下載網(wǎng)頁，如有多線程需要，大家可以按照多線程爬取用戶微博的方法自己改寫。最后，對下載下來的網(wǎng)頁進行提取并保存（我知道這樣的模塊設計有點奇怪，打算重(xin)構(qing)時(hao)時再改，就先這樣吧）。

def keywordcrawling(self, keyword):

realkeyword = urllib.quote(keyword) # Handle the keyword in Chinese.

try:

os.mkdir(sys.path[0] + '/keywords')

except Exception, e:

print str(e)

weibos = []

try:

highpoints = re.compile(u'[\U00010000-\U0010ffff]') # Handle emoji, but it seems doesn't work.

except re.error:

highpoints = re.compile(u'[\uD800-\uDBFF][\uDC00-\uDFFF]')pagenum = 0

isneeded = False