微博爬虫:爬取微博正文、关注人

由于网页版的微博存在滚动刷新的特性,使用传统的获取html再解析的方法不再可行,而移动版的微博每页微博条数是固定的,不存在网页版滚动刷新的现象,而且URL设计更加简单,通过修改URL重复模拟登录即可实现翻页效果。本文最终实现了三个函数,分别是爬取博主主页信息、爬取关注人信息、爬取原创微博信息。

首先登录 https://weibo.cn,在登录时页面可能一直不响应,我也遇到了相同的问题,我是用第三方软件登录然后绑定到我的微博实现了登录,登录的目的是获取cookie,然后使用这个cookie模拟登录微博,爬取微博内容。

获取cookie的方式:

step1:登录微博移动版
step2:打开“检查”工具 ->右键重新加载->Network->Request Headers->Cookie
注意:cookie的时效不超过24小时,所以每次运行爬虫需要更新

getcookie.jpg
URL分析:

以 @追风少年刘全有 的微博为例
在移动版微博中,博主的主页URL是 https://weibo.cn/u/2150511032,同时使用https://weibo.cn/2150511032也可以访问,其中数字串是唯一标识博主的user_id;
刘全有关注的人网页的URL为https://weibo.cn/2150511032/follow?page=1,也就是主页URL拼接'/follow?page=x',给page赋不同值即可实现翻页;

follow.png

刘全有的微博列表第一页的网页URL为https://weibo.cn/2150511032/profile?page=1,也就是主页URL拼接'/profile?page=x';

话不多说上代码:
from bs4 import BeautifulSoup
import requests
from lxml import etree
import re
import pymysql.cursors

cookie = {"Cookie": "yourCookie"}

#获取博主关注的人的urls
def get_guanzhu_urls(url):

    url_g = url+ "/follow?page="
    count="1"
    url_init=url_g+count
    html = requests.get(url_init, cookies=cookie, verify=False).content #cookie登录
    selector = etree.HTML(html)
    pageNum = (int)(selector.xpath('//input[@name="mp"]')[0].attrib['value']) #获取关注人页数

    for i in range(1,pageNum+1):
        url_new=url_g+ (str)(i)
        html = requests.get(url_new, cookies=cookie, verify=False).content
        soup = BeautifulSoup(html, 'html5lib')
        person=soup.find_all('td')

        in_val=[]

        try:
            conn = pymysql.connect(host='localhost', user='root', passwd='xxx', db='weibo_spider', charset='utf8mb4')
            with conn.cursor() as cursor:
                for i in range(0, len(person)):
                    if (i + 1) % 2 == 0:
                        user = (person[i].a.string , person[i].a.get("href"), url)
                        in_val.append(user)

                sql = "insert into `gurls`(`weiboid`,`url`,`prewid`) VALUES(%s,%s,%s)"
                cursor.executemany(sql,in_val)#将数据批量导入数据库
                conn.commit()
        finally:
            conn.close()

#获取博主个人信息:ID、粉丝数、关注数、关注列表URL
def get_host_user_info(url):

    html = requests.get(url, cookies=cookie, verify=False).content
    soup = BeautifulSoup(html,'html5lib')
    weiboid=soup.find_all('span',class_='ctt')[0].get_text().split()[0] #span标签
    myurl=url

    info=soup.find('div', class_='tip2')
    infolist=info.find_all('a')
    guanzhu_url = infolist[0].get("href")
    pattern_num = re.compile(r'.*\[(.*)\]')
    guanzhu_num = re.findall(pattern_num,(infolist[0].string))[0]
    fan_num = re.findall(pattern_num, (infolist[1].string))[0]

    print(weiboid,myurl,guanzhu_url,guanzhu_num,fan_num)

    try:
        conn = pymysql.connect(host='localhost', user='root', passwd='xxx', db='weibo_spider', charset='utf8mb4')
        with conn.cursor() as cursor:
            sql="insert into `wusers`(`weiboid`,`myurl`,`follower_num`,`guanzhu_num`,`guanzhu_url`) VALUES (%s,%s,%s,%s,%s)"
            cursor.execute(sql,(weiboid,myurl,fan_num,guanzhu_num,guanzhu_url))
            conn.commit()
    finally:
        conn.close()

#获取博主微博博文
def get_weibo_contents(url):

    #只爬取原创微博
    html = requests.get(url, cookies=cookie, verify=False).content
    selector = etree.HTML(html)
    pageNum = (int)(selector.xpath('//input[@name="mp"]')[0].attrib['value'])
    soup=BeautifulSoup(html, 'html5lib')
    weiboid=soup.find_all('span',class_='ctt')[0].get_text().split()[0] #span标签
    print(weiboid)

    word_count = 1
    print(pageNum)

    for page in range(1, pageNum + 1):

        # 获取lxml页面
        url_new = url+"?filter=1&page="+(str)(page)
        print(url_new)
        lxml = requests.get(url_new, cookies=cookie, verify=False).content
        soup = BeautifulSoup(lxml, 'html5lib')


        content=soup.find_all('span',class_="ctt")
        comment=soup.find_all('a',class_="cc")

        in_weibo=[]
        try:
            conn = pymysql.connect(host='localhost', user='root', passwd='xxx', db='weibo_spider', charset='utf8mb4')
            with conn.cursor() as cursor:
                for (con,com) in zip(content,comment):
                    pattern_num = re.compile(r'.*\[(.*)\]')
                    com_num = re.findall(pattern_num, (com.string))[0]
                    weibo=(weiboid,con.get_text(),com_num)
                    in_weibo.append(weibo)

                sql = "insert into `weibos`(`weiboid`,`weibo_content`,`comment`) VALUES(%s,%s,%s)"
                cursor.executemany(sql,in_weibo)#将数据批量导入数据库
                conn.commit()
        finally:
            conn.close()


if __name__ == '__main__':
    url = "https://weibo.cn/1496852380"
    #get_host_user_info(url)
    #get_guanzhu_urls(url)
    #get_weibo_contents(url)

我是将爬取的数据存到MySQL数据库中,你也可以用其他方式存储。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 218,525评论 6 507
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,203评论 3 395
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 164,862评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,728评论 1 294
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,743评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,590评论 1 305
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,330评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,244评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,693评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,885评论 3 336
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,001评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,723评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,343评论 3 330
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,919评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,042评论 1 270
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,191评论 3 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,955评论 2 355

推荐阅读更多精彩内容