前阵子接到一个实验室老师的需求，采集五年前（2024-5=2019）过年前后的北京微博签到数据。

前两年采集的深圳签到数据是 2022 年是当年的尚可，这次虽然时间跨度只有两个月，但是由于时间太过久远，但是颇费了一番心力，还好最终老师只需要每个月 10000 条左右，我赶紧停止了集群的采集，一看代理池马上欠费了。

最终采集的数据字段包括经纬度、签到地点、微博链接、博主链接、内容、图片链接、发布时间、转评赞数等数十个字段，基本满足分析要求。

经纬度坐标应该不是 WGS84，验证应该是 GCJ-02 坐标系，GCJ-02 整体相对于 GPS 坐标系应该有非常小的非线性偏移。 GCJ-02 可以转化成 WGS84 坐标系（相关转化的算法网上有很多了，这里就不再赘述了，可自行搜索）。

这里插一句，如果要使用地理编码相关的 API，最好使用高德地图，因为其实微博（以前是）和高德地图都是阿里系的公司，高德地图偏爱 GCJ02，微博就使用的高德地图相关的。

微博签到数据的采集，时间越久越难采集，看到网上有很多分享 2014 年全国微博签到数据的，我看了下其实那个只是 poi 数据，而且绝大部分的 poi 被重置了，poi 链接打不开，查无此微博。

这里插播一句，借用了朋友的服务器集群，可以采集大量历史微博签到数据，时间段可以是 2016、2017、2018、2019、2020、2021、2022等，最好是 2018 年以后的，因为历史微博签到数据回溯采集非常困难，爬大量数据（对于 2018 2019 年左右，几千条每月就是大量了）需要大量账号和大量代理 ip，固定成本和时间都消耗不少，所以按需采集，可以采集最近 10 年北京、上海、广州、深圳、苏州、杭州等全国任意城市，或者新加坡、巴黎等海外任意城市的签到微博数据，或者任意景点（景点可能是一个或者多个 poi）的微博签到数据，如果有需求，可以带上具体任务+时间段来戳，有空（比较大的任务最好是假期）就做，非咸鱼非倒卖，一手实时采集，有一定成本，相互理解。