前提安装好RoBo 3T可视化工具,安装好pymongo库。
下面是爬取微博个人数据,有微博id,正文,点赞数,评论数,转发数
from urllib.parse import urlencode
import requests
from pyquery import PyQuery as pq
from pymongo import MongoClient
#表示请求的URL的前半部分
base_url = 'https://m.weibo.cn/api/container/getIndex?'
headers = {
'Host': 'm.weibo.cn',
'Referer': 'https://m.weibo.cn/u/2830678474',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.75 Safari/537.36',
'X-Requested-With': 'XMLHttpRequest'
}
#我们通过PyMongo库里的MongoClient,第一个参数host是mongobd的地址,第二个参数是端口port(默认27017)
client = MongoClient(host='127.0.0.1', port=27017)
#选择数据库
db = client['weibo']
#选择好数据库后我们需要指定要操作的集合,与数据库的选择类似
collection = db['weibo']
max_page = 10
def get_page(page):
#构造参数字典,其中type、value、containerid是固定参数,page是可变参数
params = {
'type': 'uid',
'value': '2830678474',
'containerid': '1076032830678474',
'page': page
}
#调用urlopen()方法将参数转化为URL的GET请求参数,base_url与参数拼合形成一个新的URL
url = base_url + urlencode(params)
try:
#requests请求这个链接,加入headers参数
response = requests.get(url, headers=headers)
#判断响应的状态码,如果是200,则直接调用json()方法将内容解析为JSON返回,否则不返回任何信息
if response.status_code == 200:
return response.json(), page
#如果出现异常,则捕获并输出其异常信息
except requests.ConnectionError as e:
print('Error', e.args)
#定义一个解析方法,用来从结果中提取想要的信息
def parse_page(json, page:int):
if json:
#可以先遍历cards
items = json.get('data').get('cards')
for index, item in enumerate(items):
if page == 1 and index == 1:
continue
else:
#然后获取mblog中的各个信息,赋值为一个新的字典返回即可
item = item.get('mblog', {})
weibo = {}
weibo['id'] = item.get('id') #微博的ID
weibo['text'] = pq(item.get('text')).text() #正文
weibo['attitudes'] = item.get('attitudes_Count') #点赞数
weibo['comments'] = item.get('comments_Count') #评论数
weibo['reports'] = item.get('reports_Count') #转发数
yield weibo
def save_to_mongo(result):
if collection.insert(result):
print('Save to Mongo')
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_mongo(result)
可视化工具可以看到下载的数据: