微博爬虫高级篇——自动获取微博cookie（无须账号、每日百万量级）

一、前言

事先说明，博主今年刚毕业，计算机应用技术，专科。没错，语文很差的那种。这是第一次干这种文章编辑，再加上年纪小，什么语法、错别字之类，前后语句不通顺啊什么的都无视吧。如果有什么问题可以找贴吧找我吧，我一般在java吧混，贴吧账号：ZSsanguosha

二、想说的话

 现在市面有很多大数据或者做舆情分析的公司。这些公司难免都要用到爬虫，被爬得最多的，大概也是就微博了。虽然微博有自己的商业接口可以提供数据，但是里面有很多限制，比如：频次，字段缺失不满足需求。尤其 是频次，我之前的公司里就几个商业接口，大家共用，频次限制死死的，采集量大的时候完全用不过来。

所以，这时候就需要爬虫了，但是微博反爬机制是真的秀，所有内容都是FW.view()填充，动态cookie加密，验证码、封IP等等，尤其是搞了一个Sina Visitor System(新浪访客系统)。如果没有微博的cookie，爬虫取回来的页面全部变成Sina Visitor System了。微博cookie，必须登录后才能获取，而且你爬取过多，账号就会被冻结。

用cookie爬，容易被冻结账号，而且也实现不了自动化；不用cookie，就是Sina Visitor System页面，根本爬不到内容。博主这边就研究了如何跳过这个系统

三、致敬大佬

之前我接手公司某个需求，需要爬微博页面，数据量级大致在二千万左右。光用商业接口是根本来不及的。还好，有万能的搜索引擎告诉我有这么一篇文章

 

 

 

 

 

我很想放大佬原贴地址，但是有太多盗贴，分辨不了。原贴中具体的实现方式由于微博的更新，已经不可用了，但是还有一帮人盗贴，实在是看不下去， 所以，我打算发这篇博客纠正一下

四、基本原理

Sina Visitor System(新浪访客系统)，在请求微博页面判断有没有微博cookie？有，就跳转，没有且不是爬虫，就创造一个游客cookie，以便访问。

博主用微博的“发现-找人-领域页”（https://d.weibo.com/1087030002_2975_2017_0）来举例，“1087030002_2975_2017_0”是这个页面的路径名，第一次是302重定向，然后经过一系列的请求跳转，最后变成200。

 

 

 

 

稍微比较一下两个“1087030002_2975_2017_0”请求的区别，请求头信息都差不多。最大的不同是，第一次请求是set-cookie，也就是没有cookie的值，第二次多了cookie，里面有三个值YF-Page-G0、SUB、SUBP。也就是说，这个cookie就是我们需要获取的游客cookie。

另外，以谷歌浏览器为例，想看到这些请求，先清空缓存（主要是cookie），F12打开开发者模式，在Network下面勾选 Preserve log，最后ctrl+R 重新加载

 

 

 

 

接下来，我们具体讨论下，他是怎么设置cookie的。先将第二个请求复制出来，在Postman中SEND一下。你会发现这个就是Sina Visitor System（新浪访客系统）。而且他还用中文注释，这是赤果果的挑衅(ﾉ｀⊿´)ﾉ。另外它在body标签中，导入了一个js文件，也就是我们的第三个请求

我们一下看到，incarnate()方法是给用户赋予访客身份的。它发送了一个get请求，一对比，发现这是上面的第6个请求。也就是说，我们能成功发送第6个请求，就能成功获取cookie。

 

 

 

通过js我们可以知道，发送第6个请求，以下几个参数：

a、t、w、c、gc、cb、from、_rand。 其中a、cb、from是定值，_rand是随机数。

以下是第6个请求的详情，gc是空的，也就是说，我们只需要知道t（tid）、w（where）、c（conficence）三个参数就可以了

博主测试过，发送请求时gc填不填无所谓，一样能成功

这三个参数这里是没有，只能通过mini_original.js(第三个请求)去找。1984行的源码。上面有三个关键词，用tid一搜，就找到了。

如图：w（where） -> recover，看来w（where）在这里等价于recover

接下来，就是整理源码。往下翻一下，我们可以找到这个方法，这个明显就是获取tid的方法。跟Network里的请求比对一下，发现这就是第5个请求。

这是一个POST请求，传了两个值，一个是cp，定值为：gen_callback；另一个是fp，他是通过 getFp()方法生成，博主看了下，大致是获取浏览器类型，窗口大小，字体之类的常量。应该是为了判断是否为爬虫设置的。也就是说，只要不改浏览器配置，这些值不会变的。测试的时候，直接复制进去就可以了

为了方便截图，博主改变了js代码的部分位置，但具体实现是不变的

然后，我们用postman发送模拟请求 https://passport.weibo.com/visitor/genvisitor（第五个请求），他的返回值为

{
	"retcode": 20000000,
	"msg": "succ",
	"data": {
		"tid": "O8DdOkekzzLgrDM2e0HhvBRePB8ZVty6FeowFyc7IR0=",
		"new_tid": true
	}
}

tid就找到了，只剩w（where）和c（conficence），我们继续看源码，发现他在后面回调的时候进行了处理。w(where) 在"new_tid"为true的时候是3，false的时候是2。 

c（conficence） 可能有，可能没有，没有默认为100

虽然我这里没有，但是 data下面有几率出现一个叫 “conficence”的字段，我测试的时候他的值都是95

 

 

 

 

至此，我们找到了发送第6个请求(https://passport.weibo.com/visitor/visitor?a=incarnate&xxxxxxxx)的全部参数，模拟发下请求。得到结果。ok，sub和subp就全部得到。

window.cross_domain && cross_domain({
	"retcode": 20000000,
	"msg": "succ",
	"data": {
		"sub": "_2AkMsBM0Wf8NxqwJRmfgQzm_laoR-yg3EieKaWDzNJRMxHRl-yT83qn04tRB6B4Tj-ZvOcFzfsmjrLJjxv39RkzOyvMzE",
		"subp": "0033WrSXqPxfM72-Ws9jqgMF55529P9D9Whhkx2zn2ycSbRz3ZvmBTfm"
	}
});

把这两个参数，加上最开始的YF-Page-G0，就可以得到完整的游客cookie。将这个cookie填入请求头，再次发起https://d.weibo.com/1087030002_2975_2017_0。完美成功

这里，博主测试的时候，cookie中不加入YF-Page-G0，无法获取到值。但大佬的文章表示不需要这个值。请自行斟酌；elipse的console是有输出限制，所以只能显示最后几行。另外，微博的页面内容都是用FM.view()填充的。 

五、java实现

上面的实现是面向所有语言的，因此，上面并没有放代码。下面给大家放一个java的实现版本。博主会java，还有python。爬虫一般用Python比较合适，但这次选用java。没有什么理由，就是懒。java版本的之前完成需求的时候就已经写好了，ctrl cv 就够了。python还得从头开始写，太懒了~~

接下来的代码，都是从原有项目里拆分的，我稍微改造了下，有些冗余我就不优化了。不用照抄，有些实现完全就是无用 的

ok，第一步，maven依赖导入jar包。博主使用的连接工具用httpclient，解析html页面用jsoup，各位自行选用合适的就好。具体依赖如下

  	org.jsoup
  	jsoup
 	1.10.1


	org.apache.httpcomponents
  	httpclient
  	4.5.5

第二步，连接工具类

博主这边加入了ssl校验、代理IP、cookie，一些连接配置，显得有些复杂了

/**
	 * @Title: generateClient 
	 * @Description: TODO(增加代理) 
	 * @param httpHost
	 * @return
	 *     CloseableHttpClient 返回类型
	 */
	public static CloseableHttpClient generateClient(HttpHost httpHost,CookieStore cookieStore) {
		SSLContext sslcontext = SSLContexts.createSystemDefault();
		Registry socketFactoryRegistry = RegistryBuilder.create()
				.register("http", PlainConnectionSocketFactory.INSTANCE)
				.register("https", new SSLConnectionSocketFactory(sslcontext)).build();
		// http连接池管理，服务于多个执行进程的连接请求
		PoolingHttpClientConnectionManager connectionManager = new PoolingHttpClientConnectionManager(
				socketFactoryRegistry);
		connectionManager.setMaxTotal(200);
		connectionManager.setDefaultMaxPerRoute(20);
		
		RequestConfig requestConfig = RequestConfig.custom().setProxy(httpHost).build();
		
		HttpClientBuilder httpClientBuilder = HttpClients.custom().setUserAgent(randomUserAgent())
				.setConnectionManager(connectionManager).setDefaultRequestConfig(requestConfig).setDefaultCookieStore(cookieStore);
		return httpClientBuilder.build();
	}

第三步，获取t、w、c三个参数的值

private JSONObject getTidAndC() throws IOException
	{
		String url = "https://passport.weibo.com/visitor/genvisitor";
		HttpPost httpPost = createHttpPost(url);
		CloseableHttpResponse response = httpclient.execute(httpPost);
		HttpEntity entity = response.getEntity();  
        if (entity != null) {  
            //按指定编码转换结果实体为String类型  
            String body = EntityUtils.toString(entity, "utf-8");
            body = body.replaceAll("window.gen_callback && gen_callback\\(", "");
            body = body.replaceAll("\\);", "");
            JSONObject json = JSONObject.fromObject(body).getJSONObject("data");
            System.out.println(body);
           
            return json;
        }
        return null;
	}

第四步获取cookie

public String getCookie() throws IOException {
		JSONObject json = getTidAndC();
		String t = "";
		String w = "";

		String c = json.containsKey("confidence") ? json.getString("confidence") : "100";
		if (json.containsKey("new_tid"))
		{
			w = json.getBoolean("new_tid") ? "3" : "2";
		}
		if (json.containsKey("tid"))
		{
			t = json.getString("tid");
		}
		System.out.println(c);
		String url = "https://passport.weibo.com/visitor/visitor?a=incarnate&t="+t+"&w="+w+"&c=0"+c+"&gc=&cb=cross_domain&from=weibo&_rand="+Math.random();
		HttpGet httpGet = createCookieGet(url, "tid="+t+"__"+c);
		CloseableHttpResponse response = httpclient.execute(httpGet);
		HttpEntity httpEntity = response.getEntity();
		String body = EntityUtils.toString(httpEntity, "utf-8");
		System.out.println(body);
		body = body.replaceAll("window.cross_domain && cross_domain\\(", "");
		body = body.replaceAll("\\);", "");
		
		JSONObject obj = JSONObject.fromObject(body).getJSONObject("data");
		System.out.println(obj.toString());
		String cookie = "YF-Page-G0="+getYF()+"; SUB="+obj.getString("sub")+"; SUBP="+obj.getString("subp");
		System.out.println("cookie:  "+cookie);
		httpclient.close();
		return cookie;
	}

 YF-Page-G0 的参数，通过发送请求，获取set_cookie的值得到的。这样就获得完整的游客cookie，

应该是把url加入参数列表比较合理，值也不应该写死

public String getYF() throws IOException {
		String domain = "1087030002_2975_5012_0";
		String url = "https://d.weibo.com/"+domain;
		HttpGet httpGet = createHttpGet(url, null);
		CloseableHttpResponse response = httpclient.execute(httpGet);
		
		List cookies = cookieStore.getCookies();
		String str = "";
		for (Cookie cookie : cookies)
		{
			str = cookie.getValue();
		}
		return str;
	}

最后，就是调用了。

只要调用getCookie()，就能获取完整的游客cookie。然后，就能获取页面数据

我想你们已经发现了，这几个方法都是博主以前做测试留下的测试文件，实在懒得改就随意了。下列代码的运行结果，上面已经发了，就不再发了。

@Test
	public void test(){
		String domain = "1087030002_2975_2013_0";
		try {
			//获取cookie			
			String cookie = getCookie();
			//将cookie传入请求头，生成get请求
			String url = "https://d.weibo.com/"+domain;
			HttpGet httpGet = createHttpGet(url, cookie);
			//获取响应结果，输出
			CloseableHttpClient httpclient = HttpClients.custom().build();
			CloseableHttpResponse response = httpclient.execute(httpGet);
			HttpEntity httpEntity = response.getEntity();
			String body = EntityUtils.toString(httpEntity, "utf-8");
			//html
			System.out.println(body);
		} catch (Exception e) {
			e.printStackTrace();
		}
	}

六、注意事项

微博的大部分页面都可以用这个方法爬到，搜索和评论没办法拿到全部数据。上限好像是20页？

该方法极其容易被封ip，大规模使用时必须要设置代理ip

同一个ip，获取cookie，每5次 可能会失败一次，自行做好判断

截止  2019年10月14日17点32分32秒，方法并未失效，之后我就不知道了

七、多线程自动化微博爬虫

这个具体实现代码不能说太多，公司项目已经上线，保密协议生效中，博主也就不给自己找麻烦。大抵的思路，就是设置多个线程，提供不同的代理ip，做个错误提醒，异常处理，设置合理的频次让IP存活更久之类的常规操作。

博主曾经开过8个线程，一天大致能爬200w左右的数据量。以后可能会发几篇微博爬虫的基本操作，这方面的话，等什么时候保密协议过了，再继续更新吧

八、结尾

转贴，留个全尸就可以了，标明出处和作者，,其余随意

有什么问题可以联系我，或者有什么错误。欢迎斧正。最后，csdn不一定能联系到我，楼主一般出没在java吧，贴吧ID：ZSsanguosha。