requests库是python爬虫中最常见的库,与内置的urllib库相比,它更加简洁高效,是每一个接触爬虫者都务必要掌握的基础;但它也是有缺点的,就是不支持异步操作,虽然可以通过多线程来解决,但当需要发送大量请求时,创建大量的线程会浪费过多的资源;此时出现了一个新的库aiohttp,它是支持异步操作的,可以在一个线程中,通过异步多任务来实现快速发送请求,提高效率。这次,我基于这两个库,做一个高效的微博关键词爬虫,源码在文章的末尾。
首先,我是从微博的移动端地址入手,发现它是ajsx请求,请求参数中,除页码外,其他都是常量,所以要实现多页请求,直接将页码当作参数发送即可。但是页面返回的json数据并没有直接标明总页数,所以需要自己计算。进一步分析,发现数据中包含了微博的总条数和每一页的条数,这就是突破口,对它进行简单的运算就可以拿到总页码。此处只需要发送一次请求,就可以获取到信息,所以这里采用的是requests。
defget_page():"""先用requests构造请求,解析出关键词搜索出来的微博总页数
:return: 返回每次请求需要的data参数"""data_list=[]
data={'containerid': '100103type=1&q={}'.format(kw),'page_type': 'searchall'}
resp= requests.get(url=url, headers=headers, params=data)
total_page= resp.json()['data']['cardlistInfo']['total'] #微博总数
#一页有10条微博,用总数对10整除,余数为0则页码为总数/10,余数不为0则页码为(总数/10)+1
if total_page % 10 ==0:
page_num= int(total_page / 10)else:
page_num= int(total_page / 10) + 1
#页码为1,data为当前data,页码不为1,通过for循环构建每一页的data参数
if page_num == 1:
data_list.append(data)returndata_listelse:for i in range(1, page_num + 1):
data['page'] =i
data_list.append(copy.deepcopy(data))