微博爬虫踩坑实录(一)——关键词爬取某一时间段内的微博内容及发布者信息

一. 技术选型

语言:python3

工具:anaconda

核心库and插件:chromedriver+selenium

关键词搜索之后刷新出的微博页面中,每条微博的内容其实是在js里动态渲染出来的,因此通过传统的request.get的方法获取到的静态页面中解析不出相应的标签。

二. 踩过的坑(未完待续)

1. 元素定位失败

1.1区分 “/div/span”与“./div/span”

前者是在整个网页上寻找,后者才是在当前组件的子集中寻找

1.2组件过期

页面跳转后,获取到的上一个页面中的组件(已存储成了某个变量的值)会过期,导致组件中的元素定位失败

1.3一个爬取实时微博的逻辑错误

实时微博会不断更新,也就是说你翻到第2页的时候,由于又新增了新的微博,所以刚刚你爬取完的第一页变成了现在的第二页,于是你就会爬到很多重复的内容

2. 100页的限制

自己构造url吧,按照如下的方式:

keyword_encode= urllib.parse.quote(keyword)
nick_encode=urllib.parse.quote(nick)
nextPage='https://weibo.cn/search/mblog?hideSearchFrame=&keyword='+keyword_encode+'&advancedfilter=1&nick='+nick_encode+'&starttime=20191231&endtime=20200204&sort=time&page='+str(page+1)
            

(keyword等参数的值要根据自己的需要改啊)

⚠️注意:这种方法只能突破100页的限制,但是当页数很多时还是会被限制。例如按照这种方法也许可以爬到130页,但是131页的内容为空(不是打不开131页,是打开之后没有内容)。此时sleep一会也是没用的,只能重新搜索没有爬到的时间范围,再继续爬。

3. 输入起止日期时的坑

爬取实时微博时,终止日期的input框里有一个默认值(就是当天),要先删掉,不然新的值传不进去:

elem.clear()
elem.send_keys(self.end_time)

(elem算是一个chromedriver类的实例,如果python也有类的概念的话)

4. 会有一些反爬虫机制

多sleep吧,没别的办法

 

selenium库定位元素的语法可参考资料:

https://www.cnblogs.com/bzdmz/p/10325152.html 定位元素

https://blog.csdn.net/xm_csdn/article/details/53390649 获取属性值

 

  • 3
    点赞
  • 35
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
抱歉,我是AI语言模型,无法提供封装好的python代码,但是我可以提供Scrapy微博爬虫的基本思路和代码示例: Scrapy微博爬虫的基本思路: 1. 登录微博 2. 根据关键词搜索微博,获取微博列表 3. 遍历微博列表,提取微博的相关信息,如微博ID、微博内容、发布时间、点赞数、转发数、评论数、作者信息等 4. 如果有下一页,则继续爬取下一页的微博列表,重复2-3步骤 5. 将提取的微博信息保存到本地或远程数据库中 Scrapy微博爬虫的代码示例: 1. 在命令行中创建一个Scrapy项目: scrapy startproject weibo 2. 在weibo/spiders目录下创建一个名为weibospider.py的爬虫文件: import scrapy from scrapy.http import Request class WeiboSpider(scrapy.Spider): name = "weibo" allowed_domains = ["weibo.com"] start_urls = [ "https://weibo.com/" ] def start_requests(self): login_url = 'https://login.weibo.cn/login/' yield Request(url=login_url, callback=self.login) def login(self, response): # 在这里实现微博登录的逻辑 # ... # 登录成功后,调用parse方法开始爬取微博 yield Request(url=self.start_urls[0], callback=self.parse) def parse(self, response): # 在这里实现根据关键词搜索微博的逻辑 # 从搜索结果页面获取微博列表 # ... # 遍历微博列表,提取微博的相关信息 for weibo in weibo_list: weibo_id = weibo.get('id') weibo_content = weibo.get('content') publish_time = weibo.get('publish_time') likes = weibo.get('likes') reposts = weibo.get('reposts') comments = weibo.get('comments') author = weibo.get('author') # 将提取的微博信息保存到本地或远程数据库中 # ... # 如果有下一页,则继续爬取下一页的微博列表 next_page = response.xpath('//a[text()="下一页"]/@href').extract_first() if next_page: yield Request(url=next_page, callback=self.parse) 3. 在命令行中运行爬虫: scrapy crawl weibo 以上是一个简单的Scrapy微博爬虫示例,具体实现需要根据实际情况进行调整和完善。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值