2021年最新微博爬取评论及制作词云（2021.4.25）

课上老师留了作业做这个花了一小会时间做了一下，分享下过程。

一.首先我们选择微博移动端去爬取即这个网址微博移动版

二.登陆后获取到我们的cookie和user-agent，存下来一会会用。


三.分析评论url，我们可以发现往下翻评论时每次可获得一个url，一个url中包含几十条评论，找到规律如下：
第一个为：https://m.weibo.cn/comments/hotflow?id=4629867381391687&mid=4629867381391687&max_id_type=0
第二个为：https://m.weibo.cn/comments/hotflow?id=4629867381391687&mid=4629867381391687&max_id=187367128830156&max_id_type=0
其中第二个比第一个多了个max_id，我们在第一个url中能找到这个max_id如下：
之后第三个的max_id也由第二个url中的max_id提供，微博通过这样的机制就保证了评论的一个连续性。从而也让我们找到了爬虫的书写方法。代码如下：

# 商业转载请联系作者获得授权，非商业转载请注明出处。
# For commercial use, please contact the author for authorization. For non-commercial use, please indicate the source.
# 协议(License)：署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0)

import requests
import json
import re
 
headers = {
     
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:70.0) Gecko/20100101 Firefox/70.0',
    'Cookie': ''#此处加入自己的cookie
}
 
max_id = ""
text_sum = 0
ping_sum = 0
def get_comment():
    global max_id, text_sum,ping_sum
    max_id_type = 0
    if text_sum >= 14:
        max_id_type = 1
    else:
        max_id_type = 0
    url = 'https://m.weibo.cn/comments/hotflow?id=4602765680061207&mid=4602765680061207&max_id=' + str(
        max_id) + '&max_id_type=' + str(max_id_type)
    print(url)
    html = requests.get(url, headers=headers)
    print(html.content.decode())
    html_text = json.loads(html.text)  # 把获得数据转换成字典格式
    print(html_text)
    for i in html_text['data']['data']:
        ping_sum+=1
        text = i['text']
        # print(text)
        without_img = re.compile(r'.*?', re.S)
        true_text = re.sub(without_img, '', text)  # 去掉链接
        print(true_text)
        with open('D:\\text.txt', "a", encoding="utf8") as f:
            f.write(true_text + '\n')
    max_id = html_text['data']['max_id']
    text_sum += 1
    print(text_sum)
    print(ping_sum)
 
if __name__ == '__main__':
    # 爬取第一页
    url = 'https://m.weibo.cn/comments/hotflow?id=4602765680061207&mid=4602765680061207&' + '&max_id_type=0'
    html = requests.get(url, headers=headers)
    html_text = json.loads(html.text)
    for i in html_text['data']['data']:
        text = i['text']
        print(text)
        without_img = re.compile(r'.*?', re.S)
        true_text = re.sub(without_img, '', text)
        with open('D:\\text.txt', "a", encoding="utf8") as a:
            a.write(true_text + '\n')
    # 爬取第一页往后
    max_id = html_text['data']['max_id']
    print(max_id)
    for i in range(2, 50):
        get_comment()
 

其中max_id_type这个东西在十五次以后就会变成1，故在代码中也进行了特判。以上代码使用只需要将第二条中你自己的cookie复制上去，并在python3.6下安装好库即可运行。如果想爬取其他微博，只需要更改代码中的url中的id和mid，他们两个是一样的。这个id每次你打开任意一条微博网页端在地址栏都有。
另附上制作词云代码：

# 商业转载请联系作者获得授权，非商业转载请注明出处。
# For commercial use, please contact the author for authorization. For non-commercial use, please indicate the source.
# 协议(License)：署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0)

from wordcloud import WordCloud
import matplotlib.pyplot as plt
import  jieba
 
path_txt='D://text.txt'
f = open(path_txt,'r',encoding='UTF-8').read()
 
cut_text = " ".join(jieba.cut(f))
 
wordcloud = WordCloud(
   #设置字体
   font_path="C:/Windows/Fonts/simfang.ttf",
   #设置了背景，宽高
   background_color="white",width=1500,height=1080).generate(cut_text)
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis("off")
plt.show()