快捷導(dǎo)航

Python實(shí)現(xiàn)爬取馬云的微博功能示例

更新時(shí)間：2019年02月16日 11:31:08 作者：Waspvae

這篇文章主要介紹了Python實(shí)現(xiàn)爬取馬云的微博功能,結(jié)合實(shí)例形式較為詳細(xì)的分析了Python模擬ajax請(qǐng)求爬取馬云微博的相關(guān)操作技巧與注意事項(xiàng),需要的朋友可以參考下

本文實(shí)例講述了Python實(shí)現(xiàn)爬取馬云的微博功能。分享給大家供大家參考，具體如下：

分析請(qǐng)求

我們打開(kāi) Ajax 的 XHR 過(guò)濾器，然后一直滑動(dòng)頁(yè)面加載新的微博內(nèi)容，可以看到會(huì)不斷有Ajax請(qǐng)求發(fā)出。

我們選定其中一個(gè)請(qǐng)求來(lái)分析一下它的參數(shù)信息，點(diǎn)擊該請(qǐng)求進(jìn)入詳情頁(yè)面，如圖所示：

可以發(fā)現(xiàn)這是一個(gè) GET 請(qǐng)求，請(qǐng)求的參數(shù)有 6 個(gè)：display、retcode、type、value、containerid 和 page，觀察這些請(qǐng)求可以發(fā)現(xiàn)只有 page 在變化，很明顯 page 是用來(lái)控制分頁(yè)的。

分析響應(yīng)

如圖所示：

它是一個(gè) Json 格式，瀏覽器開(kāi)發(fā)者工具自動(dòng)為做了解析方便我們查看，可以看到最關(guān)鍵的兩部分信息就是 cardlistInfo 和 cards，將二者展開(kāi)，cardlistInfo 里面包含了一個(gè)比較重要的信息就是 total，經(jīng)過(guò)觀察后發(fā)現(xiàn)其實(shí)它是微博的總數(shù)量，我們可以根據(jù)這個(gè)數(shù)字來(lái)估算出分頁(yè)的數(shù)目。

發(fā)現(xiàn)它又有一個(gè)比較重要的字段，叫做 mblog，繼續(xù)把它展開(kāi)，發(fā)現(xiàn)它包含的正是微博的一些信息。比如 attitudes_count 贊數(shù)目、comments_count 評(píng)論數(shù)目、reposts_count 轉(zhuǎn)發(fā)數(shù)目、created_at 發(fā)布時(shí)間、text 微博正文等等，得來(lái)全不費(fèi)功夫，而且都是一些格式化的內(nèi)容，所以我們提取信息也更加方便了。

這樣我們可以請(qǐng)求一個(gè)接口就得到 10 條微博，而且請(qǐng)求的時(shí)候只需要改變 page 參數(shù)即可。這樣我們只需要簡(jiǎn)單做一個(gè)循環(huán)就可以獲取到所有的微博了。

實(shí)戰(zhàn)演練

在這里我們就開(kāi)始用程序來(lái)模擬這些 Ajax 請(qǐng)求，將馬云的所有微博全部爬取下來(lái)。

首先我們定義一個(gè)方法，來(lái)獲取每次請(qǐng)求的結(jié)果，在請(qǐng)求時(shí)page 是一個(gè)可變參數(shù)，所以我們將它作為方法的參數(shù)傳遞進(jìn)來(lái)，代碼如下：

from urllib.parse import urlencode
import requests
base_url = 'https://m.weibo.cn/api/container/getIndex?'
headers = {
  'Host': 'm.weibo.cn',
  'Referer': 'https://m.weibo.cn/u/2145291155',
  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
  'X-Requested-With': 'XMLHttpRequest',
}
def get_page(page):
  params = {
    'display': '0',
    'retcode': '6102',
    'type': 'uid',
    'value': '2145291155',
    'containerid': '1076032145291155',
    'page': page
  }
  url = base_url + urlencode(params)
  try:
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
      return response.json()
  except requests.ConnectionError as e:
    print('Error', e.args)

首先在這里我們定義了一個(gè) base_url 來(lái)表示請(qǐng)求的 URL 的前半部分，接下來(lái)構(gòu)造了一個(gè)參數(shù)字典，其中 display、retcode、 type、value、containerid 是固定的參數(shù)，只有 page 是可變參數(shù)，接下來(lái)我們調(diào)用了 urlencode() 方法將參數(shù)轉(zhuǎn)化為 URL 的 GET請(qǐng)求參數(shù)，即類(lèi)似于display=0&retcode=6102&type=uid&value=2145291155&containerid=1076032145291155&page=2 這樣的形式，隨后 base_url 與參數(shù)拼合形成一個(gè)新的 URL，然后我們用 Requests 請(qǐng)求這個(gè)鏈接，加入 headers 參數(shù)，然后判斷響應(yīng)的狀態(tài)碼，如果是200，則直接調(diào)用 json() 方法將內(nèi)容解析為 Json 返回，否則不返回任何信息，如果出現(xiàn)異常則捕獲并輸出其異常信息。

隨后我們需要定義一個(gè)解析方法，用來(lái)從結(jié)果中提取我們想要的信息，比如我們這次想保存微博的正文、贊數(shù)、評(píng)論數(shù)、轉(zhuǎn)發(fā)數(shù)這幾個(gè)內(nèi)容，那可以先將 cards 遍歷，然后獲取 mblog 中的各個(gè)信息，賦值為一個(gè)新的字典返回即可。

from pyquery import PyQuery as pq
def parse_page(json):
  if json:
    items = json.get('cards')
    for item in items:
      item = item.get('mblog')
      weibo = {}
      weibo['微博內(nèi)容：'] = pq(item.get('text')).text()
      weibo['轉(zhuǎn)發(fā)數(shù)'] = item.get('attitudes_count')
      weibo['評(píng)論數(shù)'] = item.get('comments_count')
      weibo['點(diǎn)贊數(shù)'] = item.get('reposts_count')
      yield weibo

在這里我們借助于 PyQuery 將正文中的 HTML 標(biāo)簽去除掉。

最后我們遍歷一下 page，將提取到的結(jié)果打印輸出即可。

if __name__ == '__main__':
  for page in range(1, 50):
    json = get_page(page)
    results = parse_page(json)
    for result in results:
      print(result)

另外我們還可以加一個(gè)方法將結(jié)果保存到本地 TXT 文件中。

def save_to_txt(result):
  with open('馬云的微博.txt', 'a', encoding='utf-8') as file:
    file.write(str(result) + '\n')

代碼整理

import requests
from urllib.parse import urlencode
from pyquery import PyQuery as pq
base_url = 'https://m.weibo.cn/api/container/getIndex?'
headers = {
  'Host': 'm.weibo.cn',
  'Referer': 'https://m.weibo.cn/u/2145291155',
  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
  'X-Requested-With': 'XMLHttpRequest',
}
max_page = 50
def get_page(page):
  params = {
    'display': '0',
    'retcode': '6102',
    'type': 'uid',
    'value': '2145291155',
    'containerid': '1076032145291155',
    'page': page
  }
  url = base_url + urlencode(params)
  try:
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
      return response.json(), page
  except requests.ConnectionError as e:
    print('Error', e.args)
def parse_page(json, page: int):
  if json:
    items = json.get('data').get('cards')
    for index, item in enumerate(items):
      if page == 1 and index == 1:
        continue
      else:
        item = item.get('mblog')
        weibo = {}
        weibo['微博內(nèi)容：'] = pq(item.get('text')).text()
        weibo['轉(zhuǎn)發(fā)數(shù)：'] = item.get('attitudes_count')
        weibo['評(píng)論數(shù)：'] = item.get('comments_count')
        weibo['點(diǎn)贊數(shù)：'] = item.get('reposts_count')
        yield weibo
def save_to_txt(result):
  with open('馬云的微博.txt', 'a', encoding='utf-8') as file:
    file.write(str(result) + '\n')
if __name__ == '__main__':
  for page in range(1, max_page + 1):
    json = get_page(page)
    results = parse_page(*json)
    for result in results:
      print(result)
      save_to_txt(result)

本文參考崔慶才的《python3 網(wǎng)絡(luò)爬蟲(chóng)開(kāi)發(fā)實(shí)戰(zhàn)》。

希望本文所述對(duì)大家Python程序設(shè)計(jì)有所幫助。