web scraper 爬取微博粉丝性别以及微博内容

web scraper 爬取微博粉丝性别以及微博内容

szdx1043 2019-03-02 17:00:59 1527 收藏 1

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/szdx1043/article/details/88077808

版权

一.粉丝性别

两个地方要注意：

1. 翻页，由于查看粉丝数限制，如果一直点下一页，会卡在第5页或者第10页，最后数据无法保存。所以还是在url里写上页数范围，这样最后数据可以保存：比如第一页网址：是  weibo.com/p/1005056932774899/follow?relate=fans&page=1#Pl_Official_HisRelation__59， 那直接改为page=[1-5]，就可以访问前五页了。

2.过滤性别。性别图标不是text也不是image， 我想的办法是提取那一整行html，然后regex f*e*male，这样就能提取male或者female，如下图：

 

二.微博内容：

1.翻页继续选择上述方法

2.展开全文的爬取：

先element scroll 滚到底：

 

然后直接提取展开全文之前的所有微博内容，由于我想分开提取每条微博内容和时间，所以先抓取所有element，选的时候连续选中两个微博框就能分条选中所有微博了：

 

在这个all目录下创建两个selector，一个提取text，一个提取时间。如果年份是当前年份，微博会自动忽略年份，我想要完整时间，所以没有直接提取时间text，而是提取时间那一行html，然后利用正则匹配提取完整时间 [0-9]{4}(\-[0-9]{2}){2}\ [0-9]{2}\:[0-9]{2}……（ps：这个应该有更简单的正则，但是不太熟练不会）。

这样就能提取所有微博了到处为result1.csv。

但是对于需要展开全文的并没有处理。我处理方法是，在一页滚到底之后，再提取所有展开全文链接：

在这个提取链接selector目录下，再新建两条selector，一个提取text，一个提取时间。爬出结果为result2.csv。

将第一份结果筛选删除包含展开全文的行，再把第二份粘贴到第一份，就最终得到所有微博。