Python微博抓取有哪些技巧？

微博作为一个活跃的社交网路平台，拥有大量的用户，每天有成千上万条实时信息。将这些的信息采集下来，对我们分析某项微博活动、某个微博事件极有助益。下面分享一些抓取微博数据防止被禁的几个技巧，希望对大家能有所帮助。

技巧一：设置cookies

cookie其实是储存在用户终端的一些被加密的数据，有些网站通过cookies来识别用户身份，如果某个访问总是高频率地发请求，很可能会被网站注意到，被怀疑为爬虫，这时网站就可以通过cookie找到这个访问的用户而拒绝其访问。

有两种方法可以解决这个问题，一是自定义设置cookie策略，防止cookie rejected问题，二是禁止cookies。

技巧二：修改IP

其实微博识别的是IP ，不是账号。也就是说，当需要连续抓取很多数据的时候，模拟登录没有意义。只要是同一个IP ，不管怎么换账号也没有用，关键在于IP地址。

web server应对爬虫的策略之一就是直接将IP 或者整个IP段都封掉禁止访问，当IP被禁封后，转换到其他IP继续访问即可，这时就需要用到代理IP 。

IP 地址的获取方式有很多，最常见的是从代理IP网站获取大量优质IP。像神龙HTTP代理这类拥有专业的技术运维团队，运营商授权资源，低延迟高可用率的，是个不错的选择。

技巧三：修改User-Agent

User-Agent是指包含浏览器信息、操作系统信息等的一个字符串，也称之为一种特殊的网络协议。服务器通过它判断当前访问对象是浏览器、邮件客户端还是网络数据采集程序。

具体方法是把User-Agent的值改为浏览器的方式，甚至可以设置一个User-Agent池（list，数组，字典都可以），存放多个“浏览器”，每次抓取的时候随机取一个来设置request的User-Agent，这样User-Agent会一直在变化，防止被屏蔽。