Python selenium抓取微博内容

傷城~ 2022-05-24 00:29 281阅读 0赞

## （一）编程环境 ##

操作系统：Win 10  
编程语言：Python 3.6

## （二）安装selenium ##

这里使用selenium实现。  
如果没有安装过python的selenium库，则安装命令如下

pip install selenium

## （三）下载ChromeDriver ##

因为selenium要用到浏览器的驱动，这里我用的是Google Chrome浏览器，所以要先下载ChromeDriver.exe并放到C:\\Program Files (x86)\\Google\\Chrome\\Application\\目录下。  
注意，放到别的目录下也行，只要在代码里填上正确的路径即可。

![1.png][]

## （四）登录微博 ##

通常而言，m站的网页结构比pc站要简单的多，咱们可以从m站入手。微博m站登录界面的网址是 [https://passport.weibo.cn/signin/login][https_passport.weibo.cn_signin_login]  
在Chrome浏览器中打开此地址，并右键点击界面的任何位置–>查看网页源代码，发现邮箱/手机号框的id为loginName，密码输入框的id为loginPassword，登录按纽的id为loginAction。

from selenium import webdriver
    import time
    
    #全局变量
    driver = webdriver.Chrome("C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe")
    
    
    def loginWeibo(username, password):
        driver.get('https://passport.weibo.cn/signin/login')
        time.sleep(3)
    
        driver.find_element_by_id("loginName").send_keys(username)
        driver.find_element_by_id("loginPassword").send_keys(password)
        driver.find_element_by_id("loginAction").click()
    
        #driver.close()

执行后可以看到自动登录的过程及登录成功的界面

![2.png][]

## （五）爬取微博内容 ##

从微博爬取内容有两种方式：  
（1）申请成为新浪开发者并调用微博API  
（2）使用爬虫程序  
因为微博API有好多限制，比如只能获取某用户的最近的10条微博内容，而不能获取全部历史微博内容。

这里咱们采用爬虫方式。  
程序如下：

from selenium import webdriver
    import time
    import re
    
    #全局变量
    driver = webdriver.Chrome("C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe")
    
    
    def loginWeibo(username, password):
        driver.get('https://passport.weibo.cn/signin/login')
        time.sleep(3)
    
        driver.find_element_by_id("loginName").send_keys(username)
        driver.find_element_by_id("loginPassword").send_keys(password)
        driver.find_element_by_id("loginAction").click()
    
        #这里只是看一下cookie内容，下面不会用到这个cookie值，因为driver会把cookie自动带过去
        cookies = driver.get_cookies()
        cookie_list = []
        for dict in cookies:
            cookie = dict['name'] + '=' + dict['value']
            cookie_list.append(cookie)
        cookie = ';'.join(cookie_list)
        print (cookie)
    
        #driver.close()
    
    
    def visitUserInfo(userId):
        driver.get('http://weibo.cn/' + userId)
    
        print('********************')   
        print('用户资料')
    
        # 1.用户id
        print('用户id:' + userId)
    
        # 2.用户昵称
        strName = driver.find_element_by_xpath("//div[@class='ut']")
        strlist = strName.text.split(' ')
        nickname = strlist[0]
        print('昵称:' + nickname)
    
        # 3.微博数、粉丝数、关注数
        strCnt = driver.find_element_by_xpath("//div[@class='tip2']")
        pattern = r"\d+\.?\d*"      # 匹配数字，包含整数和小数
        cntArr = re.findall(pattern, strCnt.text)
        print(strCnt.text)
        print("微博数：" + str(cntArr[0]))
        print("关注数：" + str(cntArr[1]))
        print("粉丝数：" + str(cntArr[2]))
    
        print('\n********************')
        # 4.将用户信息写到文件里
        with open("userinfo.txt", "w", encoding = "gb18030") as file:
            file.write("用户ID：" + userId + '\r\n')
            file.write("昵称：" + nickname + '\r\n')
            file.write("微博数：" + str(cntArr[0]) + '\r\n')
            file.write("关注数：" + str(cntArr[1]) + '\r\n')
            file.write("粉丝数：" + str(cntArr[2]) + '\r\n')
    
    
    def visitWeiboContent(userId):
        pageList = driver.find_element_by_xpath("//div[@class='pa']")
        print(pageList.text)
        pattern = r"\d+\d*"         # 匹配数字，只包含整数
        pageArr = re.findall(pattern, pageList.text)
        totalPages = pageArr[1]     # 总共有多少页微博
        print(totalPages)
    
        pageNum = 1                 # 第几页
        numInCurPage = 1            # 当前页的第几条微博内容
        curNum = 0                  # 全部微博中的第几条微博
        contentPath = "//div[@class='c'][{0}]"
        #while(pageNum <= 3): 
        while(pageNum <= int(totalPages)):
            try:
                contentUrl = "http://weibo.cn/" + userId + "?page=" + str(pageNum)
                driver.get(contentUrl)
                content = driver.find_element_by_xpath(contentPath.format(numInCurPage)).text
                #print("\n" + content) # 微博内容，包含原创和转发
                if "设置:皮肤.图片.条数.隐私" not in content:
                    numInCurPage += 1
                    curNum += 1
                    with open("weibocontent.txt", "a", encoding = "gb18030") as file:
                        file.write(str(curNum) + '\r\n' + content + '\r\n\r\n') 
                else:
                    pageNum += 1                        # 抓取新一页的内容
                    numInCurPage = 1                    # 每一页都是从第1条开始抓
                    time.sleep(20)                      # 要隔20秒，否则会被封
            except exception as e:
                print("curNum:" + curNum)
                print(e)
            finally:
                pass
        print("Load weibo content finished!")       
    
    
    if __name__ == '__main__':
        username = '******'             # 输入微博账号
        password = '******'             # 输入密码
        loginWeibo(username, password)      # 要先登录，否则抓取不了微博内容
    
        time.sleep(3)
        uid = 'xywyw'                       # “寻医问药”的个性域名
        visitUserInfo(uid)                  # 获取用户基本信息
        visitWeiboContent(uid)              # 获取微博内容

运行结果：  
生成了两个文件  
1）userinfo.txt，用来存放用户的基本资料

![3.png][]

2）weiboconten.txt用来存放该用户的所有历史微博内容

![4.png][]

注意，程序里每爬一页，都需要睡眠20秒。这样可以防止被封，被封会提示HTTP错误403

![5.png][]

猜测新浪是根据cookie来封的，不是根据用户名和IP。因为403页面出现进，把浏览器的cookie清空，webo.cn就可以立即访问。如果不清空的话，等半个小时左右，也可以继续访问。  
这里20秒是多次试验得到的经验值。若改成10秒，爬取200多条后会出现403错误；若改成15秒，爬取500多条后会出现403错误。

> TopCoder & Codeforces & AtCoder交流QQ群：648202993  
> 更多内容请关注微信公众号  
> ![wechat\_public\_header.jpg][wechat_public_header.jpg]

[1.png]: /images/20220524/0b0c4ea7593644eca12fc141d914aa69.png
[https_passport.weibo.cn_signin_login]: https://passport.weibo.cn/signin/login
[2.png]: /images/20220524/b0a2308423a74b849758c4edfe580d35.png
[3.png]: /images/20220524/36a3e3c12bf14f299172a0dfc9baf01e.png
[4.png]: /images/20220524/1d17036d4f5a48f29a53f1503e298ddd.png
[5.png]: /images/20220524/b5a1b80b71e94cfdbdb6a5667c41dd8c.png
[wechat_public_header.jpg]: /images/20220524/6f8fd6cee0544738a870776b45c0f03c.png