Python爬虫实战(三)：微博博文内容爬取

追风赶月莫停留，平芜尽处是春山。

2021.5.20 祝天下有情人终成眷属

不知你们发现了没有，微博偷偷推出了一个新版本的 网页版


界面相对原版微博来说简直是舒服了不知多少倍，全新炫目的微博界面、清晰有条理的分组阅读、个性化的应用管理……（微博打钱！）
那咱们今天就用这个来爬一爬你女神历史博文数据吧！

一、网页分析

今天我选择的女神是迪丽热巴！阿巴阿巴
找到热巴的主页，依旧先打开开发者模式，然后刷新网页。

我们很容易的就能找到这个请求，我们可以看到，里面包含博文内容信息、点赞数、转发数、评论数、发文时间等等一些信息。

还能获得热巴的照片哦，这里就不再教你们了^_^。

二、接口分析

url分析

第一页：

https://weibo.com/ajax/statuses/mymblog?uid=1669879400&page=1&feature=0

继续往下翻：
第二页：

https://weibo.com/ajax/statuses/mymblog?uid=1669879400&page=2&feature=0

可以发现改变的只有page这个参数，代表的是第几页

其中的uid就是热巴微博用户id了，如果把这个uid换成你女神的uid那么爬取的就是你女神的博文信息了，懂？？？
OK，万事大吉

返回数据分析

用的是GET请求，返回的数据类型是json格式的，编码为utf-8。
直接把得到的数据按照json数据格式化就行了。

三、编写代码

知道了url规则，以及返回数据的格式，那现在咱们的任务就是构造url然后请求数据
现在来构造url：
写道这不知道你们意识到了没，怎么知道他有多少页的博文呢?
那咱们就用while循环来解决，一旦请求不到博文了咱们就可退出循环了。

uid = 1669879400
url = 'https://weibo.com/ajax/statuses/mymblog?uid={}&page={}&feature=0'
page = 1
while 1:
    url = url.format(uid, page)
    page += 1

对于每个url我们都要去用requests库中的get方法去请求数据：
所以我们为了方便就把请求网页的代码写成了函数get_html(url)，传入的参数是url返回的是请求到的内容。

def get_html(url):
    headers = {
     
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36",
        "Referer": "https://weibo.com"
    }
    cookies = {
     
    	"cookie": "你的cookie"
    }
    response = requests.get(url, headers=headers)
    time.sleep(3)	# 加上3s 的延时防止被反爬
    return response.text

把自己的cookie里面的信息替换掉代码里的就好了。

获取数据

html = get_html(url)
responses = json.loads(html)
blogs = responses['data']['list']
data = {
     }   # 新建个字典用来存数据
for blog in blogs:
    data['attitudes_count'] = blog['attitudes_count']   # 点赞数量
    data['comments_count'] = blog['comments_count']     # 评论数量(超过100万的只会显示100万)
    data['created_at'] = blog['created_at']     # 发布时间
    data['reposts_count'] = blog['reposts_count']     # 转发数量(超过100万的只会显示100万)
    data['text_raw'] = blog['text_raw']     # 博文正文文字数据

保存数据

定义一个函数

def save_data(data):
    title = ['text_raw', 'created_at', 'attitudes_count', 'comments_count', 'reposts_count']
    with open("data.csv", "a", encoding="utf-8", newline="")as fi:
        fi = csv.writer(fi)
        fi.writerow([data[i] for i in title])

完整代码

# -*- coding:utf-8 -*-
# @time: 2021/5/20 5:20
# @Author: 韩国麦当劳
# @Environment: Python 3.7
# @file: 有情人终成眷属.py
import requests
import csv
import time
import json


def get_html(url):
    headers = {
     
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36",
        "Referer": "https://weibo.com"
    }
    cookies = {
     
        "cookie": "SINAGLOBAL=3100020750662.0713.1621218929618; wvr=6; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9WhZKBqi.rwXxAy7oBVqOBRA5JpX5K-hUgL.FoM0S0zXe05E1KB2dJLoI7p7IgvV9gHEPcD0dcRt; WBPSESS=c5qSjzDepn6X50hCDDTOQm2RPrLxF2IL-7kbFko9y272mYnj0GpiHcsQimrJz0cRoW9u2CAkauvF9c2kdDIYykQRiP_napgiJhZxuESMwqKW2hqY4aLTRxBheaM1MrhV; ULV=1621518082378:3:3:3:8215239808262.2295.1621518082346:1621240718517; UOR=login.sina.com.cn,weibo.com,www.baidu.com; webim_unReadCount=%7B%22time%22%3A1621518428820%2C%22dm_pub_total%22%3A14%2C%22chat_group_client%22%3A0%2C%22chat_group_notice%22%3A0%2C%22allcountNum%22%3A40%2C%22msgbox%22%3A0%7D; SCF=AvHfk7OBkPBXyUsBW5ZXCaaAaS6UxMalyA-WwMWsngWP-SjW7Bv8J3rx4bjia-FeKoA2A9qaTtVZru5SiDad2HA.; SUB=_2A25NowlXDeRhGeFN7FAV8y7OwjiIHXVu2X2frDV8PUJbmtAKLU3ykW9NQ_asN2XSgzPa6xOOnqQw3GE6MCC7LE5z; ALF=1653124230; SSOLoginState=1621588231; XSRF-TOKEN=_RDt18EuVwZj-OO0wQ9IzqIi"
    }
    response = requests.get(url, headers=headers, cookies=cookies)
    time.sleep(3)   # 加上3s 的延时防止被反爬
    return response.text


def save_data(data):
    title = ['text_raw', 'created_at', 'attitudes_count', 'comments_count', 'reposts_count']
    with open("data.csv", "a", encoding="utf-8", newline="")as fi:
        fi = csv.writer(fi)
        fi.writerow([data[i] for i in title])


if __name__ == '__main__':

    uid = 1669879400
    url = 'https://weibo.com/ajax/statuses/mymblog?uid={}&page={}&feature=0'
    page = 1
    while 1:
        print(page)
        url = url.format(uid, page)
        html = get_html(url)
        responses = json.loads(html)
        blogs = responses['data']['list']
        if len(blogs) == 0:
            break
        data = {
     }   # 新建个字典用来存数据
        for blog in blogs:
            data['attitudes_count'] = blog['attitudes_count']   # 点赞数量
            data['comments_count'] = blog['comments_count']     # 评论数量(超过100万的只会显示100万)
            data['created_at'] = blog['created_at']     # 发布时间
            data['reposts_count'] = blog['reposts_count']     # 转发数量(超过100万的只会显示100万)
            data['text_raw'] = blog['text_raw']     # 博文正文文字数据
            save_data(data)
        page += 1

获得的部分数据截图

欢迎一键三连哦！
还想看哪个网站的爬虫？欢迎留言，说不定下次要分析的就是你想要看的！