python+selenium 爬取微博（网页版）并解决账号密码登录、短信验证

前言

为什么爬网页版微博

网页端的微博比移动端的难爬一点，但是来网页端是因为这里可以使用高级搜索功能，它不同于普通搜索的是它可以选定发布时间和发布地点，把博文和这些爬下来可以用来做更多更全面的数据分析。

为什么使用selenium

去微博搜索某个关键词，会发现第一页的内容下拉到底后，微博会提示登录才能看到之后的页面的内容，点击登录之后它就会分页显示，最多显示到50页。
我一开始想着，那我只要分析微博的网址构造，然后用requests去打开后面页数的网址不就可以了？比如去用高级搜索功能搜索：

https://s.weibo.com/weibo/%25E6%2596%25B0%25E8%2583%25BD%25E6%25BA%2590%25E6%25B1%25BD%25E8%25BD%25A6%25E6%2594%25BF%25E7%25AD%2596?q=%E6%96%B0%E8%83%BD%E6%BA%90®ion=custom:44:1000&typeall=1&suball=1×cope=custom:2020-12-08:2020-12-16&Refer=g
这是上图的搜索结果的网址，不难发现：
q后面的是关键词（经过二次编码后变成了一长串的东西）；
region=custom:XX:1000，这里的XX是省份的代码；
typeall=1&suball=1 ，这两是“类型”和“包含”选项；
timescope=custom:2020-12-08:2020-12-16就是时间段。

登录后查看第二页的网址：
https://s.weibo.com/weibo/%25E6%2596%25B0%25E8%2583%25BD%25E6%25BA%2590%25E6%25B1%25BD%25E8%25BD%25A6%25E6%2594%25BF%25E7%25AD%2596?q=%E6%96%B0%E8%83%BD%E6%BA%90®ion=custom:44:1000&typeall=1&suball=1×cope=custom:2020-12-08:2020-12-16&Refer=g&page=2
其他都相同，就最后多了个&page=2。然后看第三页也是&page=3。再然后再第一页的最后面页加个&page=1，也能正常打开。
至此，我们就找到了网址的构造规律了。

接下来，设置变量分别代表：搜索关键词、省份对应的数字（这个得自己打开微博一个个去试）、起始年、起始月、起始日、终点年、终点月、终点日、页码。
然后通过改变变量就可以访问所有相应的网页了。
（ps：因为怕50页显示不了太多，这里起始终止的年和月变量我就用同一个了）

index="小姐姐"
sheng=34
year=2020
month=1
day1=1
day2=30
page=1

url = "https://s.weibo.com/weibo?q={}®ion=custom:{}:1000&typeall=1&suball=1×cope=custom:{}-{}-{}:{}-{}-{}&Refer=g&page={}".format(index, sheng, year, month, day1, year, month, day2, page)

但是问题来了，发现爬虫只能爬下第一页的数据，第二页开始的都爬不了，为什么呢？这时你退出登录，然后再复制上面的第二页的网址去打开，你就发现打开不了，跳到了登录页面，微博还是要你登录才能访问之后的内容。
哦，所以现在我们需要去模拟微博登录。

怎么模拟微博登录

用selenium模拟浏览器操作。
网上的方法大多推荐用http请求、获取cookie这些,但说实话这些对新手不太友好。
selenium可能存在有一些缺点，但它也有它的优点，selenium做爬虫的好处就是简单直接（只需要知道简单的HTML和xpath的知识就够了），而且可以通过浏览器直接看到爬取的过程，出现错误很容易发现（这不比看pycharm下面一大串的报错信息强？）。
怎么操作详情往下看。

一、事前准备

谷歌浏览器、python3.7、pycharm（这些就先自己安装吧，这里就不给教程了）

二、Selenium安装

关于selenium

selenium是一个用于Web应用程序测试的工具，selenium测试直接运行再浏览器上，就像真正的用户在操作一样。（百度百科）
简单来说，selenium就是用来模拟用户操作浏览器。

安装步骤

1. win+r，输入cmd，输入pip install selenium
2. 下载ChromeDriver。
   找到对应的浏览器、版本下载。
   怎么查看谷歌浏览器的版本：打开谷歌浏览器，关闭按钮下面的三个点》帮助》关于Google Chrome，可以看到自己的版本。记下那串数字（比如我的是版本 87.0.4280.88）然后去下面的驱动下载网址找对应的就行。

Chrome驱动下载地址：http://npm.taobao.org/mirrors/chromedriver/

windows系统（不管你是32还是64位）就是这个win32的。

3. 下载完成后，需要做两件事：
   （1）.将驱动放复制到浏览器根目录下；
   找到谷歌浏览器快捷方式，右键，打开文件位置，把下载的文件夹里面的那个东西粘贴进来（注意不能直接把下载的文件夹放进来，要放里面的chromedriver，下面的第二步也一样）
   
   （2）.将驱动复制到Python根目录下。
   可以打开pycharm，左边Project里面可以看到你的项目的路径，放那就行。
   

4. 测试环境是否搭建成功

from selenium import webdriver

browser = webdriver.Chrome()
browser.set_window_size(1000,800)
browser.get('https://www.baidu.com/')

运行后可以看到新开一个浏览器窗口并在几秒内打开了百度

三、selenium定位网页元素

先学一下selenium的基本操作吧。（可以先简单看看）

基本方法

定位的方法有很多，这里主要用以下两种方式：

find_element_by_id 使用id定位元素
find_element_by_xpath 使用xpath定位元素

以上方法可以定位到网页的第一个符合该定位条件的元素，但我们写爬虫有时候需要定位这类的所有元素（比如爬取当前页面所以微博的文本内容），所以需要用下面的find_elements方法（加个s就行）。具体加不加s根据实际情况决定。

find_elements_by_id 使用id定位所有元素
find_elements_by_xpath 使用xpath定位所有元素

插一下我的启蒙教程：（up猪打钱！）
（1）https://www.bilibili.com/video/BV1Jx411Z7mX
（2）https://www.bilibili.com/video/BV1px411d7XY
观看建议：
上面的（1）是关于“Selenium安装及使用”，（2）是“登录效果实现”。
建议开1.5倍速看，里面还会介绍一下原理性的东西和一些废话，不喜欢的可以快进直到正式内容。
如果没看懂我上面的selenium安装和使用的可以去这里看看。
时间是第一个视频的第3分钟开始到第二个视频的第28分钟。

详细使用

from selenium import webdriver

browser = webdriver.Chrome()
browser.set_window_size(1000,800)
browser.get('https://www.baidu.com/')

运行上面的代码会打开百度的页面。这里一定要成功才能做后面的内容！
按F12打开开发者工具。点击那个小鼠标箭头，再点击百度的输入框，会定位到这个输入框的html元素。可以看到百度的输入框是一个input表单。

因为id属性一般是唯一性的（至少绝大部分网站是这样），所以我们找元素优先考虑find_elements_by_id。（如果没有id属性，再用find_elements_by_xpath）
同理，你也可以定位到百度一下的提交按钮。
下面分别是百度的输入框和百度一下按钮的html代码。
可以看到输入框的id属性是kw，按钮的id属性是su。


定位到了元素，然后需要对它进行操作，这里有两种：
（1）点击。 .click()方法
（2）写入。 .send_keys(str)方法

browser.find_element_by_id('kw').send_keys("小姐姐")
browser.find_element_by_id('su').click()

上面两行代码加上去，运行，发现打开浏览器后会自动输入内容并点击搜索按钮，之后我们就可以看到搜索内容了。

ps： xpath方法。以百度一下按钮为例。

input上一级是一个span标签，再上一级是form标签。

browser.find_element_by_xpath('//span[@class="bg s_btn_wr"]/input').click()
# browser.find_element_by_xpath('//form[@id="form"]/span[@class="bg s_btn_wr"]/input').click()

主要以下几种：
//元素名[@class=“xxxx”]/元素名
//元素名[@class=“xxxx”]/元素名[i] //第i个元素，从1开始
//元素名[@id=“xxxx”]/元素名
如果没指定元素的选择条件则是选择第一个同名的元素。

xpath的知识这不讲太多，实在不懂还可以去学习别的教程。比如：
Xpath教程

好，现在你已经学会selenium的基本操作了，接下来开始爬取微博吧。

最后、代码部分

ps：你只要把下面的代码按顺序合在一起就是完整的代码。

首先，导入/安装包。

import requests
from lxml import etree
import time
import socket
import csv
from selenium import webdriver
from configparser import ConfigParser
from selenium.webdriver import Chrome
from selenium.webdriver import ChromeOptions
# coding=utf-8

一行一行的输入，看到有下划的曲线就说明该包未安装。
安装方法主要两种，一是打开命令行，输入pip install 包名。
二是直接在pycharm，左上角file菜单》setting》Project》Python Interpreter，可以看到已经安装的包，然后点击右边的小加号，输入包名，选中并点击install即可。
（虽然里面有些包可能这里用不到，但做爬虫的话很多以后都会用到的，现在装上也好）

上面搜索框输入包名，之后点击install package，等它下载好会自动安装，安装好后会有提示，等一会或者不行就重启pycharm，如果看到下划的曲线消失就说明安装成功了。

预处理

首先我们只需要爬取文字，所以可以不加载图片加快本身偏慢的selenium的爬取速度。禁止图片和css加载会有警告信息，忽略即可。
如果有看不懂的也不怕，因为可以不用知道是什么意思，复制粘贴就行。（因为我也不知道hhhhh）

#禁止图片和css加载
chrome_options = webdriver.ChromeOptions()
prefs = {
     "profile.managed_default_content_settings.images": 2}
chrome_options.add_experimental_option("prefs", prefs)

option = ChromeOptions()
option.add_experimental_option('excludeSwitches', ['enable-automation'])
# 如果想加载图片，就把下面第二句话改第一句话，删掉上面的“禁止图片和css加载”部分
# wb = Chrome(options=option)
wb=webdriver.Chrome(options=chrome_options)

#最大化窗口、输入网址、等待至网页加载完成（防止元素还没加载出来就开始爬了这样自然爬不到数据。如果一直加载不出就等10秒，加载好了就立刻结束等待）
wb.maximize_window()
wb.get("https://s.weibo.com/weibo?q=小姐姐®ion=custom:44:1000&typeall=1&suball=1×cope=custom:2020-12-1:2020-12-7&Refer=g&page=1")
wb.implicitly_wait(10)

模拟登陆

思路很简单，定位到登录按钮、点击登录、定位到账号密码输入框、输入、定位到确认登录按钮并点击…下面都是这个做法。
再复习下怎么定位和操作：
（1）看这个元素有没有id属性，有就用 find_element_by_id
（2）没有id属性就用 find_element_by_xpath （看情况要不要在element后加s）
（3）定位到元素之后，点击，click()
（4）键盘输入内容，send_keys(xxxx)

最后要记得改一下下面代码前两行的账号和密码！

yonghu = '你的账号'
pwd = '你的密码'
# 点击登录、输入账号密码、点击确认登录
wb.find_element_by_xpath('//div[@class="gn_login"]/ul/li[last()]/a').click()
wb.find_element_by_xpath('//div[@class="item username input_wrap"]/input').send_keys(yonghu)
wb.find_element_by_xpath('//div[@class="item password input_wrap"]/input').send_keys(pwd)
wb.find_element_by_xpath('//div[@class="item_btn"]/a').click()

# 点击发送短信验证
wb.find_element_by_id('messageCheck').click()

短信验证

短信验证无非两种，方式一是点击，往你的手机发送六位验证码，然后你在pycharm里面输入，填入到页面，再点确定。（我因为试验的时候发了太多次验证码被限制了。。后面就只能用第二种了）
方式二，点击其他号码登录、填入你的号码（可以跟方式一里的同一个手机号），然后出现提示，要你发送指定内容到指定号码，你拿起手机去发送短信，发送完后在pycharm输入任意内容再按回车，表示你发完短信了，继续模拟提交。至此，登录成功。

# 方式一：输入六位验证码
# pycharm里输入6位验证码，并填入。 方式一我就做到这，感兴趣的可以补充完整
# 点击发送验证码、pycharm里输入验证码、填入六位验证码
# wb.find_element_by_id('message_sms_login').click()
# yanzheng=input("输入六位验证码：")
# for i in range(0,6):
#     wb.find_element_by_xpath('//div[@class="num clearfix"]/input[{}]'.format(i+1)).send_keys("yanzheng[i]")

# 方式二：其他号码登录、填号码、下一步、提交
wb.find_element_by_id('toAddPhoneNum').click()
wb.find_element_by_id('AphoneNumber').send_keys(yonghu)
wb.find_element_by_id('addPhoneNext').click()
qqqqq=input("发送短信后任意输入：")
wb.find_element_by_id('mobileLogin').click()
#登录成功

登录成功后开始爬取

初始化变量。里面输出文件的路径可能需要改成你电脑的某个路径。

index="小姐姐"
sheng=44
year=2020
month=1
day1=1
day2=30
page=1

url = "https://s.weibo.com/weibo?q={}®ion=custom:{}:1000&typeall=1&suball=1×cope=custom:{}-{}-{}:{}-{}-{}&Refer=g&page={}".format(index, sheng, year, month, day1, year, month, day2, page)
wb.get(url)

#输入为csv文件的路径
outputExcel = r'C:\Users\lenovo\Desktop' + '\\' + 'python'

最后用循环语句开始爬内容吧。每爬完50页网csv文件写入一次（防止意外）
while循环是爬取某一年内每个月的内容。
for yeshu in range(1,51) 循环是爬取当前时间段50页的内容。
当然，循环条件你可以自己改。

在for循环里加入了try except语句处理异常。

把时间和博文内容分别保存到time2和textAll两个列表中。

while (month < 13):
   # 发布时间的列表time2 ,博文的列表 textAll
   time2 = []
   textAll = []
   flag = 0

   # 爬取当前时间段全部页的内容
   for yeshu in range(1, 51):
       page = yeshu
       try:
           url = "https://s.weibo.com/weibo?q={}®ion=custom:{}:1000&typeall=1&suball=1×cope=custom:{}-{}-{}:{}-{}-{}&Refer=g&page={}".format(
               index, sheng, year, month, day1, year, month, day2, page)
           wb.get(url)
           wb.implicitly_wait(2)

           # 错误检测
           try:
               errorTxt = ""
               merror = wb.find_element_by_xpath('//div[@class="card card-no-result s-pt20b40"]/p')
               errorTxt = merror.text
               # print(errorTxt)
               if (errorTxt[0] == '抱' and errorTxt[1] == '歉'):
                   flag += 1
               if (flag > 4):
                   break;
               continue
           except:
               pass
           # 爬取时间
           time1 = wb.find_elements_by_xpath(
               '//div[@class="card-feed"]/div[@class="content"]/p[@class="from"]/a[last()-1]')
           for i in time1:
               time2.append(i.text)

           # 先点击所有的展开原文
           temp = wb.find_elements_by_xpath(
               '//div[@class="card-feed"]/div[@class="content"]/p[@node-type="feed_list_content"]/a[@action-type="fl_unfold"]')
           for i in temp:
               if (i.text[0] == "展" and i.text[1] == "开" and i.text[2] == "全"):
                   i.click()

           texttp = wb.find_elements_by_xpath(
               '//div[@class="card-feed"]/div[@class="content"]/p[@node-type="feed_list_content_full"]')
           for i in texttp:
               temp1 = ""
               temp = i.text
               for j in temp:
                   temp1 = temp1 + j
               textAll.append(temp1)
           # 如果没有展开全文按钮，就去没有展开全文按钮的段落爬
           texttp = wb.find_elements_by_xpath(
               '//div[@class="card-feed"]/div[@class="content"]/p[@node-type="feed_list_content"]')
           for i in texttp:
               temp1 = ""
               temp = i.text
               for j in temp:
                   temp1 = temp1 + j
               # print("leng=",len(temp1),temp1)
               if (len(temp1) > 0):
                   textAll.append(temp1)

           time.sleep(1.1)
       except:
           continue
           # 爬取完50页

	# 导出csv文件
   for a, b in zip(textAll, time2):
        try:
        	print(a)
            with open(outputExcel + '.csv', 'a', newline='') as f:
                csvwriter = csv.writer(f, dialect='excel')
                csvwriter.writerow([a, b])
        except:
            continue
   time.sleep(2)

   month+=1
   day2=30
   if(month==2):
       day2=28
   elif(month==1 or month==3 or month==5 or month==7 or month==8 or month==10 or month==12):
       day2=31
   else:
       day2=30

运行结果

运行后每次保存到csv前打印出来查看

我运行了爬取一个月的结果。

结语

对你有帮助的话就点个赞吧。
有问题评论或者私信吧，看到了会回复。