您的位置：首页 > 脚本大全 > > 正文

python爬取微博登录数据（Python实现爬取马云的微博功能示例）

更多 时间：2022-01-28 01:04:35 类别：脚本大全 浏览量：1823

python爬取微博登录数据

Python实现爬取马云的微博功能示例

本文实例讲述了python实现爬取马云的微博功能。分享给大家供大家参考，具体如下：

分析请求

我们打开 ajax 的 xhr 过滤器，然后一直滑动页面加载新的微博内容，可以看到会不断有ajax请求发出。

我们选定其中一个请求来分析一下它的参数信息，点击该请求进入详情页面，如图所示：

python爬取微博登录数据（Python实现爬取马云的微博功能示例）

可以发现这是一个 get 请求，请求的参数有 6 个：display、retcode、type、value、containerid 和 page，观察这些请求可以发现只有 page 在变化，很明显 page 是用来控制分页的。

分析响应

如图所示：

python爬取微博登录数据（Python实现爬取马云的微博功能示例）

它是一个 json 格式，浏览器开发者工具自动为做了解析方便我们查看，可以看到最关键的两部分信息就是 cardlistinfo 和 cards，将二者展开，cardlistinfo 里面包含了一个比较重要的信息就是 total，经过观察后发现其实它是微博的总数量，我们可以根据这个数字来估算出分页的数目。

python爬取微博登录数据（Python实现爬取马云的微博功能示例）

发现它又有一个比较重要的字段，叫做 mblog，继续把它展开，发现它包含的正是微博的一些信息。比如 attitudes_count 赞数目、comments_count 评论数目、reposts_count 转发数目、created_at 发布时间、text 微博正文等等，得来全不费功夫，而且都是一些格式化的内容，所以我们提取信息也更加方便了。

这样我们可以请求一个接口就得到 10 条微博，而且请求的时候只需要改变 page 参数即可。这样我们只需要简单做一个循环就可以获取到所有的微博了。

实战演练

在这里我们就开始用程序来模拟这些 ajax 请求，将马云的所有微博全部爬取下来。

首先我们定义一个方法，来获取每次请求的结果，在请求时page 是一个可变参数，所以我们将它作为方法的参数传递进来，代码如下：

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
    		•
  • from urllib.parse import urlencode
  • import requests
  • base_url = 'https://m.weibo.cn/api/container/getindex?'
  • headers = {
  •   'host': 'm.weibo.cn',
  •   'referer': 'https://m.weibo.cn/u/2145291155',
  •   'user-agent': 'mozilla/5.0 (macintosh; intel mac os x 10_12_3) applewebkit/537.36 (khtml, like gecko) chrome/58.0.3029.110 safari/537.36',
  •   'x-requested-with': 'xmlhttprequest',
  • }
  • def get_page(page):
  •   params = {
  •     'display': '0',
  •     'retcode': '6102',
  •     'type': 'uid',
  •     'value': '2145291155',
  •     'containerid': '1076032145291155',
  •     'page': page
  •   }
  •   url = base_url + urlencode(params)
  •   try:
  •     response = requests.get(url, headers=headers)
  •     if response.status_code == 200:
  •       return response.json()
  •   except requests.connectionerror as e:
  •     print('error', e.args)
    		•

    首先在这里我们定义了一个 base_url 来表示请求的 url 的前半部分，接下来构造了一个参数字典，其中 display、retcode、 type、value、containerid 是固定的参数，只有 page 是可变参数，接下来我们调用了 urlencode() 方法将参数转化为 url 的 get请求参数，即类似于display=0&retcode=6102&type=uid&value=2145291155&containerid=1076032145291155&page=2 这样的形式，随后 base_url 与参数拼合形成一个新的 url，然后我们用 requests 请求这个链接，加入 headers 参数，然后判断响应的状态码，如果是200，则直接调用 json() 方法将内容解析为 json 返回，否则不返回任何信息，如果出现异常则捕获并输出其异常信息。

    随后我们需要定义一个解析方法，用来从结果中提取我们想要的信息，比如我们这次想保存微博的 正文、赞数、评论数、转发数这几个内容，那可以先将 cards 遍历，然后获取 mblog 中的各个信息，赋值为一个新的字典返回即可。

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
    		•
  • from pyquery import pyquery as pq
  • def parse_page(json):
  •   if json:
  •     items = json.get('cards')
  •     for item in items:
  •       item = item.get('mblog')
  •       weibo = {}
  •       weibo['微博内容：'] = pq(item.get('text')).text()
  •       weibo['转发数'] = item.get('attitudes_count')
  •       weibo['评论数'] = item.get('comments_count')
  •       weibo['点赞数'] = item.get('reposts_count')
  •       yield weibo
    		•

    在这里我们借助于 pyquery 将正文中的 html 标签去除掉。

    最后我们遍历一下 page，将提取到的结果打印输出即可。

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
    		•
  • if __name__ == '__main__':
  •   for page in range(1, 50):
  •     json = get_page(page)
  •     results = parse_page(json)
  •     for result in results:
  •       print(result)
    		•

    另外我们还可以加一个方法将结果保存到 本地 txt 文件中。

  • ?
  • 1
  • 2
  • 3
    		•
  • def save_to_txt(result):
  •   with open('马云的微博.txt', 'a', encoding='utf-8') as file:
  •     file.write(str(result) + '\n')
    		•

    代码整理

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
    		•
  • import requests
  • from urllib.parse import urlencode
  • from pyquery import pyquery as pq
  • base_url = 'https://m.weibo.cn/api/container/getindex?'
  • headers = {
  •   'host': 'm.weibo.cn',
  •   'referer': 'https://m.weibo.cn/u/2145291155',
  •   'user-agent': 'mozilla/5.0 (macintosh; intel mac os x 10_12_3) applewebkit/537.36 (khtml, like gecko) chrome/58.0.3029.110 safari/537.36',
  •   'x-requested-with': 'xmlhttprequest',
  • }
  • max_page = 50
  • def get_page(page):
  •   params = {
  •     'display': '0',
  •     'retcode': '6102',
  •     'type': 'uid',
  •     'value': '2145291155',
  •     'containerid': '1076032145291155',
  •     'page': page
  •   }
  •   url = base_url + urlencode(params)
  •   try:
  •     response = requests.get(url, headers=headers)
  •     if response.status_code == 200:
  •       return response.json(), page
  •   except requests.connectionerror as e:
  •     print('error', e.args)
  • def parse_page(json, page: int):
  •   if json:
  •     items = json.get('data').get('cards')
  •     for index, item in enumerate(items):
  •       if page == 1 and index == 1:
  •         continue
  •       else:
  •         item = item.get('mblog')
  •         weibo = {}
  •         weibo['微博内容：'] = pq(item.get('text')).text()
  •         weibo['转发数：'] = item.get('attitudes_count')
  •         weibo['评论数：'] = item.get('comments_count')
  •         weibo['点赞数：'] = item.get('reposts_count')
  •         yield weibo
  • def save_to_txt(result):
  •   with open('马云的微博.txt', 'a', encoding='utf-8') as file:
  •     file.write(str(result) + '\n')
  • if __name__ == '__main__':
  •   for page in range(1, max_page + 1):
  •     json = get_page(page)
  •     results = parse_page(*json)
  •     for result in results:
  •       print(result)
  •       save_to_txt(result)
    		•

    最后结果为：

    {'微博内容：': '公安部儿童失踪信息紧急发布平台，现在有了阶段性成果。上线两年时间，发布3053名儿童失踪信息，找回儿童2980名，找回率97.6%……失踪儿童信息会触达到几乎每一个有手机的用户，这对拐卖儿童的犯罪分子更是巨大的震慑！\n为找回孩子的家长欣慰，为这个“互联网＋打拐”平台的创建而感动，也 ...全文', '转发数：': 82727, '评论数：': 9756, '点赞数：': 18091}
    {'微博内容：': '#马云乡村教师奖#说个喜事：马云乡村教师奖的获奖老师丁茂洲，元旦新婚，新娘也是一名教师。丁老师坦白，他是2015年得了乡村教师奖以后，才被现在的女朋友给“瞄上的”。其实马云乡村教师奖，不光女朋友喜欢，重要的是丈母娘也喜欢！\n丁老师的学校，陕西安康市三星小学，在一个贫困 ...全文', '转发数：': 37030, '评论数：': 8176, '点赞数：': 3931}
    {'微博内容：': '双十一结束了，想对300万快递员、对所有物流合作伙伴说声谢谢！你们创造了世界商业的奇迹！双十一的三天里产生了10亿多个包裹，菜鸟网络用了一周的时间送完，抵达世界各个角落，这是世界货运业的奇迹，更是商业世界协同合作的奇迹。10年前，我们不敢想象中国快递 ...全文', '转发数：': 85224, '评论数：': 21615, '点赞数：': 5044}
    {'微博内容：': '今晚11.11，准备好了吗？注意休息，开心快乐。姑娘们，今晚是你们的节日。男人们，反正钱是用来花的，花钱不心疼的日子只有今天！', '转发数：': 76803, '评论数：': 22068, '点赞数：': 4773}

    本文参考崔庆才的《python3 网络爬虫开发实战》。

    希望本文所述对大家python程序设计有所帮助。

    原文链接：https://blog.csdn.net/Waspvae/article/details/80629652

    标签：微博 Python 爬取
  • 上一篇：nginx动态路径配置（Nginx本地目录映射实现代码实例）
  • 下一篇：mysql的主从复制怎么做（MySQL主从复制原理以及需要注意的地方）
    • 您可能感兴趣
    首页 编程学习 Web前端 数据库 软件设计
    开心学习 ©2013-2021 保留所有权利