新浪微博的登录非常麻烦,涉及到预登录,用户名密码加密等等一系列问题
而现在pc端的新浪微博大量使用了ajax技术,必须要鼠标下滑多次才能加载一个页面的所有信息
图省事,使用了selenium_PlantomJS来模拟登陆和获取html页面,优点是实现起来很简单,缺点是速度太慢
from selenium import webdriver from selenium.webdriver.common.keys import Keys from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions from selenium.webdriver.common.by import By import bs4 import time def login(url,username,password): ''' 用于登录微博 :param url:微博的登录接口 :param username: 用户名 :param password: 密码 :return: cookie ''' #browser = webdriver.Chrome() #用谷歌浏览器实验 browser = webdriver.PhantomJS("E:/phantomjs-2.1.1-windows/bin/phantomjs.exe") #用PhantomJS browser.maximize_window() #设置窗体为最大,如果没有这一行,表单可能无法操作 browser.get(url) #打开登陆用的网页 print("开始登陆") username_ele = browser.find_element_by_id("loginname") #找到用于输入用户名的表格 username_ele.clear() #清空表格 username_ele.send_keys(username) #输入账户 password_ele = browser.find_element_by_name("password") #找到用于输入密码的表格 password_ele.clear() #清空表格 password_ele.send_keys(password) #输入密码 submit = browser.find_element_by_xpath('//*[@id="pl_login_form"]/div/div[3]/div[6]/a/span') #找到用于提交表单的类型为submit的input submit.click() #点击 time.sleep(5) WebDriverWait(browser, 10).until(expected_conditions.presence_of_element_located((By.CLASS_NAME, 'WB_miniblog'))) #等待登陆页面加载完成 if is_ele_exist(browser,"loginname"): print("登录失败") browser.quit() return None print("登陆成功") #return print(browser.get_cookies() return browser #返回获得的cookie def is_ele_exist(browser,id): ''' 根据一个id判断当前页面元素是否存在,find方法没有找到元素会抛出异常,利用异常判断元素是否存在 :param browser: 浏览器 :param id: 元素id :return: 存在返回True,不存在返回False ''' try: s = browser.find_element_by_class_name(id) return True except: return False def getweibohtml(browser,url): ''' 用于加载我们要爬取的用户的动态页面(单个页面上的所有信息) :param url: 要爬取用户的url :param cookie: 用于认证用户 :return: 返回一个html页面 ''''' #browser = webdriver.PhantomJS("E:/phantomjs-2.1.1-windows/bin/phantomjs.exe") #browser = webdriver.Chrome() #browser.add_cookie(cookie) #判断broser是否可用 if browser == None: return browser.get(url) browser.save_screenshot("f:\\test1.png") js = "var q=document.body.scrollTop=100000" #用于下滑页面的js命令 num = 0 #判断翻页按钮是否出现,如果没有出现,将鼠标下滑 while not is_ele_exist(browser,"W_pages"): num+=1 browser.execute_script(js) print("还未找到元素") #最多翻页十次,防止进入死循环 if(num>10): break print("用户的一页信息已加载完毕") html = browser.page_source return html ''' def has_source(browser,url): 判断一个微博页面是否有微博,如果没有,返回Fasle, 最开始考虑不周到,这个函数导致需要再次用webdriver打开页面 严重拖慢爬取速度,弃用 browser.get(url) if is_ele_exist(browser,"WB_feed_handle"): return True else: return False ''' def has_source(html): ''' 判断一个微博页面是否有微博,如果没有,返回Fasle, 改良版,不用再次加载页面 ''' bs = bs4.BeautifulSoup(html,"lxml") if bs.find("div",class_="WB_detail") !=None: return True else: return False def getusermessage(html): ''' 获取用户信息,包括头像,姓名。粉丝 :param html: :return: ''' user = {} bs = bs4.BeautifulSoup(html,"lxml") user["姓名"] = bs.find_all("h1",class_="username")[0].text user["头像"] = bs.find_all("p",class_="photo_wrap")[0].find_all("img")[0]["src"] user["认证"] = bs.find_all("div",class_="pf_intro")[0]["title"] messagebox = bs.find_all("div",class_="WB_innerwrap") messages = messagebox[0].find_all("td",class_="S_line1") for message in messages: title = message.find_all("span",class_="S_txt2")[0].text content = message.find_all("strong",class_="W_f16")[0].text user[title] = content print(user) return user def getweibo(filename,html): ''' 获取一个页面上的所有信息,包括每一条微博的内容,转发,评论,点赞数量 ''' file = open(filename,"a",encoding="utf-8") beautifulsoup = bs4.BeautifulSoup(html,"lxml") weibos = beautifulsoup.find_all("div",class_="WB_cardwrap WB_feed_type S_bg2 ") #获得用于显示微博的父节点 weibonum = 0 #计算该页微博数量 for weibo in weibos: #对每一个微博父节点进行处理 weibotext = weibo.find_all("div",class_ = "WB_text W_f14") #获取微博文本内容 message = weibotext[0].text.replace(" ","") #取出文本中的所有空格 weibonum+=1 #微博数量+1 file.write("\n第"+str(weibonum)+"条微博内容是:"+message+"\n") weibopics = weibo.find_all("div",class_="WB_media_wrap clearfix") #获取用于显示图片的标签 if len(weibopics) != 0: #判断标签是否存在 pics = weibopics[0].find_all("img") #获取该标签中的所有图片 for pic in pics: file.write(pic["src"]+"\n") weibomessages = weibo.find_all("div", class_="WB_feed_handle") # 获取微博信息父节点 weibomessagecontents = weibomessages[0].find_all("a", class_="S_txt2") #获取用于显示微博信息的节点(包括转发,评论,点赞数量) for weibomessagecontent in weibomessagecontents[1:]: #分别获取信息 contents = weibomessagecontent.find_all("em") file.write(contents[1].text+" ") file.close() print("成功存储一个页面的微博") return weibonum def getpageurl(url,num): ''' 根据一个用户的第一页获取后续的url http://www.weibo.com/u/1858002662?c=spr_sinamkt_buy_hyww_weibo_p113&is_hot=1#1496336038914 http://www.weibo.com/u/1858002662?is_search=0&visible=0&is_hot=1&is_tag=0&profile_ftype=1&page=2#feedtop http://weibo.com/leehom?refer_flag=1005055013_&is_all=1 http://weibo.com/leehom?is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page=2#feedtop 通过分析指导,page应该是表示的页面,is_all和is_hot应该对应的是热门微博和全部微博 ''' preurl = url.split("?") preurl = preurl[0] pageurl = preurl+"?is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page="+str(num)+"#feedtop" return pageurl def spider(url,username,password): num = 0; browser = login("http://weibo.com/login.php",username,password) print("开始获取第1页的微博") html = getweibohtml(browser,url) file = open("f:\\xuanzi.txt","a",encoding="utf-8") user = getusermessage(html) for key in user.keys(): file.write(key+":"+user[key]+"\n") file.close() num += getweibo("f:\\xuanzi.txt",html) print("获取第1页的微博成功") page = 1; while True: page+=1 pageurl = getpageurl(url,page) print(pageurl) html = getweibohtml(browser, pageurl) if has_source(html): print("开始获取第"+str(page)+"页的微博") num += getweibo("f:\\xuanzi.txt",html) else: return return num if __name__ =="__main__": #browser = login("http://weibo.com/login.php","15271183269","f43312626") ''' for cookie in cookies: if cookie["name"] == "_s_tentry": log_cookie = cookie break ''' ''' getweibohtml("http://www.weibo.com/u/1858002662?is_search=0&visible=0&is_tag=0&profile_ftype=1&page=3&c=spr_sinamkt_buy_hyww_weibo_t113&is_all=1", browser) ''' #print(has_source(browser,"http://www.weibo.com/u/1858002662?is_search=0&visible=0&is_tag=0&profile_ftype=1&page=21&c=spr_sinamkt_buy_hyww_weibo_t113&is_all=1")) #file = open("f:\\test5.html","rb").read() #html = file.decode("utf-8","ignore") #getweibo(html) #url = getpageurl("http://weibo.com/dasima315?sudaref=passport.weibo.com&is_all=1", 4) #print(url) #num = spider("http://www.weibo.com/u/1858002662?c=spr_sinamkt_buy_hyww_weibo_p113&is_hot=1", "15271183269", "f43312626") #print("一共获取"+str(num)+"条微博") spider("http://www.weibo.com/u/1858002662?c=spr_sinamkt_buy_hyww_weibo_p113&is_hot=1","15271183269","f43312626")
轩子局二兔的微博一共有21页,932条,以下是一部分爬取到的文件内容
姓名:轩子巨2兔 头像:http://tvax3.sinaimg.cn/crop.9.0.493.493.180/6ebedee6ly8ffq59vzv9qj20e80dpaag.jpg 认证:斗鱼直播平台签约主播 关注:293 粉丝:503619 微博:932 第1条微博内容是: 庆祝微博40万关注~转发这条骚气的微博,抽5人送出100元红包加一段私人定制音频~ http://wx3.sinaimg.cn/orj360/6ebedee6gy1feecnoofjvg20ap07ikjr.gif 4333 1810 3644 第2条微博内容是: 来斗鱼快两个月了,昨夜斗鱼粉丝破了100万。黑粉很失望,他们竭尽全力却无法阻止。不膨胀,继续努力做好声音!为回馈百万轩子大军,抽5人送出100元红包和一段专属音频,转发即可,截止至3月25日24点。 http://wx2.sinaimg.cn/thumb150/6ebedee6gy1fdve8bakcpj20sf0kuara.jpg http://wx1.sinaimg.cn/thumb150/6ebedee6gy1fdve8jbtjwj20sf0kudz7.jpg 4431 1768 3184 第3条微博内容是: “不知尬舞” http://wx2.sinaimg.cn/thumb150/6ebedee6gy1fdir07mn9jj21kw23ungz.jpg http://wx3.sinaimg.cn/thumb150/6ebedee6gy1fdir0akk9vj21kw22ekad.jpg http://wx2.sinaimg.cn/thumb150/6ebedee6gy1fdir0ca1xaj21kw23ugzt.jpg http://wx1.sinaimg.cn/thumb150/6ebedee6gy1fdir03x5dhj20k00ci77i.jpg 256 1281 5533 第4条微博内容是: 这次斗鱼的美食节目因故取消了,但不影响真爱粉的福利。转发抽5人送100网费 http://wx2.sinaimg.cn/thumb150/6ebedee6gy1ff8qkcg02sj21be0qodn4.jpg http://wx2.sinaimg.cn/thumb150/6ebedee6gy1ff8qkfkf19j21be0qo47a.jpg http://wx2.sinaimg.cn/thumb150/6ebedee6gy1ff8qkk6zojj20qo1bedna.jpg http://wx2.sinaimg.cn/thumb150/6ebedee6gy1ff8qky81l8j20qo1be10q.jpg http://wx1.sinaimg.cn/thumb150/6ebedee6gy1ff8qkh1k32j21be0qoaiu.jpg http://wx4.sinaimg.cn/thumb150/6ebedee6gy1ff8qllalw1j222o160njp.jpg http://wx3.sinaimg.cn/thumb150/6ebedee6gy1ff8qkil677j21be0qoqb6.jpg http://wx2.sinaimg.cn/thumb150/6ebedee6gy1ff8qkwcdmej21be0qojy6.jpg http://wx1.sinaimg.cn/thumb150/6ebedee6gy1ff8qlb89d1j216022ox1n.jpg 1929 1118 3457 第5条微博内容是: 小二,上硬菜 http://wx2.sinaimg.cn/thumb150/6ebedee6ly1ff78nnsqp8j20fa0r8amd.jpg http://wx4.sinaimg.cn/thumb150/6ebedee6ly1ff78np27tqj20fg0r8gzm.jpg http://wx1.sinaimg.cn/thumb150/6ebedee6ly1ff78nqthtzj20pz1ai7wh.jpg http://wx4.sinaimg.cn/thumb150/6ebedee6ly1ff78ns0smvj20fe0r8k4l.jpg http://wx3.sinaimg.cn/thumb150/6ebedee6ly1ff78nt7qxvj20fb0r87ij.jpg http://wx3.sinaimg.cn/thumb150/6ebedee6ly1ff78nulu72j20kl0yk4j8.jpg 815 1372 4269 第6条微博内容是: 我是俏皮猫女郎 http://wx1.sinaimg.cn/thumb150/6ebedee6ly1ffn14hn37qj21w02ioqv5.jpg http://wx3.sinaimg.cn/thumb150/6ebedee6ly1ffn14mcya9j21w02ioqv5.jpg http://wx4.sinaimg.cn/thumb150/6ebedee6ly1ffn14qb0fjj21w02ioe81.jpg http://wx4.sinaimg.cn/thumb150/6ebedee6ly1ffn14u8jluj22io1w0b29.jpg http://wx4.sinaimg.cn/thumb150/6ebedee6ly1ffn14y0q7fj22io1w0b29.jpg 413 1179 4193 第7条微博内容是: 不知火舞第二弹。(小剧场剧本、情感问题征稿,邮箱[email protected]) http://wx3.sinaimg.cn/thumb150/6ebedee6gy1fdt5ta5tusj20xr190wmf.jpg http://wx1.sinaimg.cn/thumb150/6ebedee6gy1fdt5tch8qmj20xr190aib.jpg 207 1265 4124 第8条微博内容是: 王者荣耀.妲己cos第一弹 http://wx3.sinaimg.cn/thumb150/6ebedee6gy1fe1a9fiwnnj21w02ionpl.jpg http://wx3.sinaimg.cn/thumb150/6ebedee6gy1fe1a8xn3zpj20qo0zk0yk.jpg http://wx1.sinaimg.cn/thumb150/6ebedee6gy1fe1a9hc60oj20zk0qote9.jpg 159 936 3684 第9条微博内容是: 包子可爱吗 http://wx4.sinaimg.cn/thumb150/6ebedee6ly1ff08cqq6upj216022o1kx.jpg http://wx3.sinaimg.cn/thumb150/6ebedee6ly1ff08crpnw0j216022onnv.jpg http://wx1.sinaimg.cn/thumb150/6ebedee6ly1ff08czm47oj23402c0b2e.jpg 75 1079 3008 第10条微博内容是: 妲己第二弹愚人节快乐! http://wx1.sinaimg.cn/thumb150/6ebedee6ly1fe6iuhxa24j20qo0zk0yl.jpg http://wx4.sinaimg.cn/thumb150/6ebedee6ly1fe6iu4w2u3j21w02iox6v.jpg http://wx4.sinaimg.cn/thumb150/6ebedee6ly1fe6itjy35tj20pm0zkwgv.jpg 92 627 3175 第11条微博内容是: 上海的小伙伴猜猜我在哪 http://wx4.sinaimg.cn/orj360/6ebedee6ly1fe9kelwnnoj20k00zk0w7.jpg 15 628 3225 第12条微博内容是: 不穿丝袜会死星人 http://wx1.sinaimg.cn/thumb150/6ebedee6ly1ffi0e6bgfyj21k1160qn4.jpg http://wx4.sinaimg.cn/thumb150/6ebedee6ly1ffi0e97arzj222o1604qp.jpg http://wx1.sinaimg.cn/thumb150/6ebedee6ly1ffi0efepbkj222o1607wh.jpg http://wx4.sinaimg.cn/thumb150/6ebedee6ly1ffi0ekex7sj222o1607wh.jpg 61 562 3079 第13条微博内容是: 我觉得这个吊带好看,另外谁的弟弟有多动症的话可以来听我的直播 http://wx3.sinaimg.cn/thumb150/6ebedee6ly1ffwzs52a9fj21bf0qo465.jpg http://wx3.sinaimg.cn/thumb150/6ebedee6ly1ffwzs4jfebj20qo1bfai7.jpg http://wx1.sinaimg.cn/thumb150/6ebedee6ly1ffwzs5gq92j21bf0qoqcv.jpg 61 599 2832