【Python爬虫实例学习篇】——5、【超详细记录】从爬取微博评论数据（免登陆）到生成词云
近段时间新型冠状病毒的问题引起了全国人民的广泛关注，对于这一高传染性的病毒，人们有着不同的声音，而我想通过大数据看看大多数人是怎么想的。
精彩部分提醒：
（1）微博评论页详情链接为一个js脚本
（2）获取js脚本链接需要该条微博的mid参数
（3）获取mid参数需要访问微博主页
（4）访问微博主页需要先进行访客认证
（5）微博主页几乎是由弹窗构成，所有html代码被隐藏在FM.view()函数的参数中，该参数是json格式
工具：
- Python 3.6
- requests 库
- json 库
- lxml 库
- urllib 库
- jieba 库（进行分词）
- WordCloud 库（产生词云）
目录：
#### 1、爬取微博篇论数据
以央视新闻官方微博置顶的第一条微博为例，爬取其评论数据。
(1) 寻找评论页
第一步：寻找评论页
先用Ctrl+Shift+C 选取评论标签查看其html代码，发现其链接为一个js脚本，那么尝试用fddler看看能不能抓到这个js脚本的包，得到这个js的地址。
找到疑似js包，将数据解码，确认是我们要找的包。
同时，根据“查看更多”可以确定跳转的链接，将这一结果在json解析结果中搜索，可以进一步确定这个js包就是我们要找的包。接下来需要确定这个js包是来源于哪。
第二步：找到js包地址
js包地址为：“https://weibo.com/aj/v6/comme...”，链接很长，且参数很多，根据以往经验，我们尝试删除一些参数进行访问测试。
经过测试发现只需==mid==这一个参数即可获取该数据包。
所以有效js包地址为：”https://weibo.com/aj/v6/comme...“。
用XPath Helper进行调试，没有问题，接下来在python上实现这部分代码，==（经过后面测试发现获取评论数据只需获取微博的mid即可，因此下面这几步可以跳过，但是为例保证探索过程的完整性，我将其留在了这里）==
得到评论页的代码：
import requests
from lxml import etree
requests.packages.urllib3.disable_warnings()
name="cctvxinwen"
home_url='https://weibo.com/'+name
headers={
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3970.5 Safari/537.36"
}
session=requests.session()
res=session.get(home_url,headers=headers,timeout=20,verify=False)
html=etree.HTML(res.content.decode('gb2312',"ignore"))
mid_list=html.xpath("//div/@mid")本以为可以轻松获取新闻主页，结果发现若是没有附带cookie的话，会自动跳转到微博登陆验证页面。
对于我们的爬虫来说，只需要从第8号包开始访问即可，8号包需要提交的数据为(常量)：
cb=gen_callback&fp={"os":"1","browser":"Chrome80,0,3970,5","fonts":"undefined","screenInfo":"1920*1080*24","plugins":"Portable Document Format::internal-pdf-viewer::Chrome PDF Plugin|::mhjfbmdgcfjbbpaeojofohoefgiehjai::Chrome PDF Viewer|::internal-nacl-plugin::Native Client"}需要注意的是，在使用requests库时，需要向协议头中添加：
=='Content-Type': 'application/x-www-form-urlencoded'==，否则返回数据为空。
9号包的链接为：
“https://passport.weibo.com/vi...”，其中_rand参数可以忽略。这里需要注意，添加tid参数时，tid参数需要 url编码。
在完成9号包的访问后，就可以获取央视新闻微博的主页了：
第一部分的代码为：
import requests
import json
from urllib import parse
from lxml import etree
requests.packages.urllib3.disable_warnings()
session = requests.session()
session.verify = False
session.timeout = 20
name = "cctvxinwen"
home_url = 'https://weibo.com/' + name
url1 = "https://passport.weibo.com/visitor/genvisitor"
urljs='https://weibo.com/aj/v6/comment/small?mid='
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3970.5 Safari/537.36"
}
data = "cb=gen_callback&fp=%7B%22os%22%3A%221%22%2C%22browser%22%3A%22Chrome80%2C0%2C3970%2C5%22%2C%22fonts%22%3A%22undefined%22%2C%22screenInfo%22%3A%221920*1080*24%22%2C%22plugins%22%3A%22Portable%20Document%20Format%3A%3Ainternal-pdf-viewer%3A%3AChrome%20PDF%20Plugin%7C%3A%3Amhjfbmdgcfjbbpaeojofohoefgiehjai%3A%3AChrome%20PDF%20Viewer%7C%3A%3Ainternal-nacl-plugin%3A%3ANative%20Client%22%7D"
# 获取tid
headers.update({'Content-Type': 'application/x-www-form-urlencoded'})
tid = json.loads(session.post(url=url1, headers=headers, data=data).content.decode('utf-8')[36:-2])['data']['tid']
del headers['Content-Type']
# 获取访客cookie
url2 = "https://passport.weibo.com/visitor/visitor?a=incarnate&t=" + parse.quote(
tid) + "&w=2&c=095&gc=&cb=cross_domain&from=weibo"
session.get(url=url2.encode('utf-8'), headers=headers)
# 访问微博主页，解析获取评论页面
res = session.get(url=home_url, headers=headers)
html = etree.HTML(res.content.decode('utf-8', "ignore"))
# 含有mid的html代码被隐藏在这一个json中
mid_json = json.loads(html.xpath("//script")[38].text[8:-1])
mid_html=etree.HTML(mid_json['html'])
mids=mid_html.xpath("//div/@mid")
# 获取第一条微博的js包地址
urljs=urljs+str(mids[0])
res=session.get(url=urljs, headers=headers)
js_json_html=json.loads(res.content)['data']['html']
print(js_json_html)
print("该微博当前评论数为："+str(json.loads(res.content)['data']['count']))
# 解析获取评论页地址
js_html=etree.HTML(js_json_html)
url_remark=js_html.xpath("//a[@target='_blank']/@href")[-1]
url_remark="https:"+url_remark(2) 获取并评论
获取评论页后，我们非常容易的就能找到评论数据的json包，如图所示：
2、 GetWeiBoRemark.py
import requests
import json
from urllib import parse
from lxml import etree
# 预设
requests.packages.urllib3.disable_warnings()
session = requests.session()
session.verify = False
session.timeout = 20
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3970.5 Safari/537.36"
}
def getweiboremark(name, index=1, num=-1):
# name参数代表微博主页的名称
# index参数代表目标微博的序号
# num代表要爬的评论数，-1代表所有评论
# 返回结果为评论列表
home_url = 'https://weibo.com/' + name
tid = get_tid()
get_cookie(tid=tid)
mids = get_mids(home_url=home_url)
remark_data = get_remarkdata(num=num, mids=mids, index=index)
return remark_data
def get_tid():
# 获取tid
url1 = "https://passport.weibo.com/visitor/genvisitor"
data = "cb=gen_callback&fp=%7B%22os%22%3A%221%22%2C%22browser%22%3A%22Chrome80%2C0%2C3970%2C5%22%2C%22fonts%22%3A%22undefined%22%2C%22screenInfo%22%3A%221920*1080*24%22%2C%22plugins%22%3A%22Portable%20Document%20Format%3A%3Ainternal-pdf-viewer%3A%3AChrome%20PDF%20Plugin%7C%3A%3Amhjfbmdgcfjbbpaeojofohoefgiehjai%3A%3AChrome%20PDF%20Viewer%7C%3A%3Ainternal-nacl-plugin%3A%3ANative%20Client%22%7D"
headers.update({'Content-Type': 'application/x-www-form-urlencoded'})
tid = json.loads(session.post(url=url1, headers=headers, data=data).content.decode('utf-8')[36:-2])['data']['tid']
del headers['Content-Type']
return tid
def get_cookie(tid, session=session):
# 获取访客cookie
url2 = "https://passport.weibo.com/visitor/visitor?a=incarnate&t=" + parse.quote(
tid) + "&w=2&c=095&gc=&cb=cross_domain&from=weibo"
session.get(url=url2.encode('utf-8'), headers=headers)
def get_mids(home_url, session=session):
# 访问微博主页，解析获取评论页面
# 要想获取mids，必须先获取cookie
res = session.get(url=home_url, headers=headers)
try:
html = etree.HTML(res.content.decode('utf-8', "ignore"))
# 含有mid的html代码被隐藏在这一个json中
mid_json = json.loads(html.xpath("//script")[38].text[8:-1])
mid_html = etree.HTML(mid_json['html'])
mids = mid_html.xpath("//div/@mid")
mids[0]
return mids
except Exception:
mids = get_mids(home_url, session=session)
return mids
def get_remarkdata(num, mids, index=1):
# 获取评论数据
url_remarkdata = 'https://weibo.com/aj/v6/comment/big?ajwvr=6&id={mid}&page={page}&from=singleWeiBo'
page = 1
remark_data_new = []
current_num = 0
while True:
print("-" * 50)
url_remarkdata_new = url_remarkdata.format(mid=str(mids[index]), page=str(page))
page = page + 1
print("正在采集第 " + str(page - 1) + " 页评论！")
res = session.get(url=url_remarkdata_new, headers=headers)
remark_html = etree.HTML(json.loads(res.content.decode(encoding='utf-8'))['data']['html'])
remark_data = remark_html.xpath("//div[@class='list_con']/div[1]/text()")
remark_num = json.loads(res.content.decode(encoding='utf-8'))['data']['count']
if page == 2:
print("本条微博共有 "+str(remark_num)+' 个评论！')
if num == -1:
num = remark_num
elif num > remark_num:
num = remark_num
for i in remark_data:
if i[0:1] == '：':
i = i[1:]
remark_data_new.append(i.strip())
current_num = len(remark_data_new)
print("当前已采集：" + str(current_num) + " 个评论，剩余：" + str(num - current_num) + "个待采集！")
if (num <= current_num):
break
return remark_data_new
def save_remarkdata(name,data):
with open(name,'w',encoding='utf-8') as fp:
fp.write(data)
fp.flush()
fp.close()
结果展示：
3、生成词云
代码如下：
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import jieba
import GetWeiBoRemark
def producewordcloud(data,mask=None):
word_cloud=WordCloud(background_color="white",font_path='msyh.ttc',mask=mask,max_words=200,max_font_size=100,width=1000,height=860).generate(' '.join(jieba.cut(data,cut_all=False)))
plt.figure()
plt.imshow(word_cloud, interpolation='bilinear')
plt.axis("off") # 不显示坐标轴
plt.show()
if __name__ == '__main__':
# cctvxinwen
remark_data=GetWeiBoRemark.getweiboremark(name="cctvxinwen",index=2,num=100)
str_remark_data=''
for i in remark_data:
str_remark_data=str_remark_data+str(i)
GetWeiBoRemark.save_remarkdata(name='cctvxinwen.txt',data=str_remark_data)
producewordcloud(str_remark_data)==目标微博==
==微信公众号：==