python爬取新浪微博大V的所有微博内容

相关github地址：https://github.com/KaguraTyan/web_crawler

一般做爬虫爬取网站时，首选的都是m站，其次是wap站，最后考虑PC站，因为PC站的各种验证最多。当然，这不是绝对的，有的时候PC站的信息最全，而你又恰好需要全部的信息，那么PC站是你的首选。一般m站都以m开头后接域名， 我们这次通过m.weibo.cn去分析微博的HTTP请求。

准备工作

1、环境配置

• python 3
• win10
• chrome
• urllib
• json
• xlwt
• time
• os

2、代理ip

使用代理ip爬虫是反爬虫手段之一，很多网站会检测某一时间段内某个ip的访问次数，访问次数过多，就会禁止该ip访问（比如防刷票）。所以爬虫时可以设置多个代理，隔一段时间换一个，及时其中一个被封，也可调用其他ip进行完成爬虫任务。在urllib.request库中，通过ProxyHandler来设置使用代理服务器。网上有很多免费代理ip池，如西刺免费代理IPhttp://www.xicidaili.com，根据需要选择。但是一般这种仅适合个人爬虫需求，因为很多免费代理ip可能同时被很多人使用，可使用时间短，速度慢，匿名度不高，所以专业的爬虫工程师或爬虫公司需要使用更高质量的私密代理，通常这种代理需要找专门的供应商购买，再通过用户名/密码授权使用。

单个代理ip调用

#!/usr/bin/python
# -*- coding: UTF-8 -*-

import urllib.request
import random

url = "https://www.douban.com/"

header = {
	"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"}

# 构建了两个代理Handler，一个有代理IP，一个没有代理IP
httpproxy_handler = urllib.request.ProxyHandler({"http": "61.135.217.7:80"})
nullproxy_handler = urllib.request.ProxyHandler({})

proxySwitch = True  # 定义一个代理开关

# 通过 urllib2.build_opener()方法使用这些代理Handler对象，创建自定义opener对象
# 根据代理开关是否打开，使用不同的代理模式
if proxySwitch:
    opener = urllib.request.build_opener(httpproxy_handler)
else:
	opener = urllib.request.build_opener(nullproxy_handler)

request = urllib.request.Request(url, headers=header)

# 方法1、只有使用opener.open()方法发送请求才使用自定义的代理，而使用urlopen()函数则不使用自定义代理。
response = opener.open(request)

# 方法2、urllib.request.install_opener(opener)函数就是将opener应用到全局，之后所有的，
# 不管是opener.open()还是urlopen() 发送请求，都将使用自定义代理。
# urllib.request.install_opener(opener)
# response = urlopen(request)

data = response.read().decode('utf-8', 'ignore')
print(data)

随机选取多个代理ip列表

#!/usr/bin/python
# -*- coding: UTF-8 -*-

import urllib.request
import random

url ="https://www.douban.com/"

header={"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"}

# 代理IP列表随机抽取
proxy_list = [{"http" : "220.168.52.245:55255"},
              {"http" : "124.193.135.242:54219"},
              {"http" : "36.7.128.146:52222"},
              ]

# 随机选择一个代理
proxy = random.choice(proxy_list)
print(proxy)

# 使用选择的代理构建代理处理器对象
httpproxy_handler = urllib.request.ProxyHandler(proxy)
opener = urllib.request.build_opener(httpproxy_handler)
request = urllib.request.Request(url, headers=header)
response = opener.open(request)
data = response.read().decode('utf-8', 'ignore')
print(data)

完整代码

'''
抓取并保存 正文、图片、发布时间、点赞数、评论数、转发数

抓取的微博id：
洋葱故事会   https://m.weibo.cn/u/1806732505

'''


# -*-coding:utf8-*-
# 需要的模块
import os
import urllib
import urllib.request
import time
import json
import xlwt 

# 定义要爬取的微博大V的微博ID
id='1806732505'

# 设置代理IP
proxy_addr="122.241.72.191:808"

# 定义页面打开函数
def use_proxy(url,proxy_addr):
	req=urllib.request.Request(url)
	req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")
	proxy=urllib.request.ProxyHandler({'http':proxy_addr})
	opener=urllib.request.build_opener(proxy,urllib.request.HTTPHandler)
	urllib.request.install_opener(opener)
	data=urllib.request.urlopen(req).read().decode('utf-8','ignore')
	return data

# 获取微博主页的containerid，爬取微博内容时需要此id
def get_containerid(url):
	data=use_proxy(url,proxy_addr)
	content=json.loads(data).get('data')
	for data in content.get('tabsInfo').get('tabs'):
		if(data.get('tab_type')=='weibo'):
			containerid=data.get('containerid')
	return containerid

# 获取微博大V账号的用户基本信息，如：微博昵称、微博地址、微博头像、关注人数、粉丝数、性别、等级等
def get_userInfo(id):
	url='https://m.weibo.cn/api/container/getIndex?type=uid&value='+id
	data=use_proxy(url,proxy_addr)
	content=json.loads(data).get('data')
	profile_image_url=content.get('userInfo').get('profile_image_url')
	description=content.get('userInfo').get('description')
	profile_url=content.get('userInfo').get('profile_url')
	verified=content.get('userInfo').get('verified')
	guanzhu=content.get('userInfo').get('follow_count')
	name=content.get('userInfo').get('screen_name')
	fensi=content.get('userInfo').get('followers_count')
	gender=content.get('userInfo').get('gender')
	urank=content.get('userInfo').get('urank')
	print("微博昵称：" + name + "\n" + "微博主页地址：" + profile_url + "\n" + "微博头像地址：" + profile_image_url + "\n" + "是否认证：" + str(verified) + "\n" + "微博说明：" + description + "\n" + "关注人数：" + str(guanzhu) + "\n" +  "粉丝数：" + str(fensi) + "\n" + "性别：" + gender + "\n" + "微博等级：" + str(urank) + "\n")
	return name


# 保存图片
def savepic(pic_urls, created_at, page, num):
	pic_num = len(pic_urls)
	srcpath = 'weibo_img/洋葱故事会/'
	if not os.path.exists(srcpath):
		os.makedirs(srcpath)
	picpath = str(created_at) + 'page' + str(page) + 'num' + str(num) + 'pic'
	for i in range(len(pic_urls)):
		picpathi = picpath + str(i)
		path = srcpath + picpathi + ".jpg"
		urllib.request.urlretrieve(pic_urls[i], path)


# 获取微博内容信息,并保存到文本中，内容包括：每条微博的内容、微博详情页面地址、点赞数、评论数、转发数等
def get_weibo(id,file):
	i=1
	while True:
		url='https://m.weibo.cn/api/container/getIndex?type=uid&value='+id
		weibo_url='https://m.weibo.cn/api/container/getIndex?type=uid&value='+id+'&containerid='+get_containerid(url)+'&page='+str(i)
		try:
			data=use_proxy(weibo_url,proxy_addr)
			content=json.loads(data).get('data')
			cards=content.get('cards')
			if(len(cards)>0):
				for j in range(len(cards)):
					print("-----正在爬取第"+str(i)+"页，第"+str(j)+"条微博------")
					card_type=cards[j].get('card_type')
					if(card_type==9):
						mblog=cards[j].get('mblog')
						attitudes_count=mblog.get('attitudes_count')	# 点赞数
						comments_count=mblog.get('comments_count')	  # 评论数
						created_at=mblog.get('created_at')			  # 发布时间
						reposts_count=mblog.get('reposts_count')		# 转发数
						scheme=cards[j].get('scheme')				   # 微博地址
						text=mblog.get('text')						  # 微博内容
						pictures=mblog.get('pics')           # 正文配图，返回list
						pic_urls = []                          # 存储图片url地址
						if pictures:
							for picture in pictures:
								pic_url = picture.get('large').get('url')
								pic_urls.append(pic_url)
							# print(pic_urls)

						# 保存文本
						with open(file,'a',encoding='utf-8') as fh:
							if len(str(created_at)) < 6:
								created_at = '2019-'+ str(created_at)
							# 页数、条数、微博地址、发布时间、微博内容、点赞数、评论数、转发数、图片链接
							fh.write(str(i)+'\t'+str(j)+'\t'+str(scheme)+'\t'+str(created_at)+'\t'+text+'\t'+str(attitudes_count)+'\t'+str(comments_count)+'\t'+str(reposts_count)+'\t'+str(pic_urls)+'\n')

						# 保存图片
						savepic(pic_urls, created_at, i, j)
				i+=1
				'''休眠1s以免给服务器造成严重负担'''
				time.sleep(1)
			else:
				break
		except Exception as e:
			print(e)
			pass



def txt_xls(filename,xlsname):
	"""
	:文本转换成xls的函数
	:param filename txt文本文件名称、
	:param xlsname 表示转换后的excel文件名
	"""
	try:
		with open(filename,'r',encoding='utf-8') as f:
			xls=xlwt.Workbook()
			#生成excel的方法，声明excel
			sheet = xls.add_sheet('sheet1',cell_overwrite_ok=True)
			# 页数、条数、微博地址、发布时间、微博内容、点赞数、评论数、转发数
			sheet.write(0, 0, '爬取页数')
			sheet.write(0, 1, '爬取当前页数的条数')
			sheet.write(0, 2, '微博地址')
			sheet.write(0, 3, '发布时间')
			sheet.write(0, 4, '微博内容')
			sheet.write(0, 5, '点赞数')
			sheet.write(0, 6, '评论数')
			sheet.write(0, 7, '转发数')
			sheet.write(0, 8, '图片链接')
			x = 1
			while True:
				#按行循环，读取文本文件
				line = f.readline()
				if not line:
					break  #如果没有内容，则退出循环
				for i in range(0, len(line.split('\t'))):
					item=line.split('\t')[i]
					sheet.write(x,i,item) # x单元格行，i 单元格列
				x += 1 #excel另起一行
		xls.save(xlsname) #保存xls文件
	except:
		raise



if __name__=="__main__":
	name = get_userInfo(id)
	file = str(name) + id+".txt"
	get_weibo(id,file)

	txtname = file 
	xlsname = str(name) + id + ".xls"
	txt_xls(txtname, xlsname)
	
    print('finish')

 

爬虫结果

相关阅读链接

ajax分析法 https://cloud.tencent.com/developer/article/1131752