Python实现爬取马云的微博功能示例

Python  /  管理员 发布于 7年前   364

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：

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：

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。

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：

from urllib.parse import urlencodeimport requestsbase_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。

from pyquery import PyQuery as pqdef 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。

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。

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

import requestsfrom urllib.parse import urlencodefrom pyquery import PyQuery as pqbase_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 = 50def 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 weibodef 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》。

更多关于Python相关内容可查看本站专题：《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。