Python+Selenium爬取新浪微博数据

最新推荐文章于 2024-08-09 08:06:10 发布

zczczcc

最新推荐文章于 2024-08-09 08:06:10 发布

阅读量2.5k

点赞数

分类专栏：爬虫文章标签： python selenium html

本文链接：https://blog.csdn.net/zczczcc/article/details/112213120

版权

爬虫专栏收录该内容

4 篇文章 3 订阅

订阅专栏

爬取新浪微博数据

爬虫流程
1. 模拟登陆新浪微博
2.爬取指定微博评论内容
3、微博首页具体动态链接获取
4、selenium爬取评论

爬虫流程

1. 模拟登陆新浪微博

上一个博客有详细说明
https://blog.csdn.net/zczczcc/article/details/112198483 link.

2.爬取指定微博评论内容

我选择了“中国新闻网”发的一条微博https://m.weibo.cn/detail/4589546907894547进行分析
（选取评论数较少的微博即可）
在这里插入图片描述

2.1分析网页

把鼠标挪到网页任意地方，单击鼠标右键，选择检查，进去Elements界面，点击检查框左上角的箭头，移动鼠标直接点击文字进行定位；
在文章中只有20个 div , 并且每个 div 中装载一条评论，每个页面原始就只能显示20条评论。
当我们把鼠标不断向下滑动的过程中，网页元素中的 div 也不断随评论的增加而增加，当活动到底部时，所有评论都加载出来了。可以初步判断该网页属于ajax加载类型，所以先就不要考虑用requests请求服务器了。

2.2获取数据

2.2.1 方法一：抓包

浏览器的中的每一条信息的加载都离不开 Network ,这就意味着我们可以通过它来查看网页加载出来的内容。

抓包的步骤：
1.鼠标右击，打开检查功能
2.选择Network
3.刷新网页
4.查看加载的数据

如何更好的查看加载的内容是什么？

1.我们的目的只是找到自己需要的内容，没有必要全部都查看一遍，只需要知道一些关键的数据进行查看就好了。

最重要的是注意 Network 中的Type(加载的文件类型) 和 size(加载的文件大小) 这两个要素，如我们要查看的目标是文字文件，带有图片类型的文件都可以不用查看了，其二就是它的大小，上面的很多文件都没有显示大小，我们几乎可以把它忽略了。
在这里插入图片描述

在这里插入图片描述
（本例的text内容是可以看出来的，如上图右侧所示。但是大多情况下文字内容显示不出来，则需要做下面2的处理）
2.双击
但是text的内容并不认识（因为其是json格式文件）

先把这个内容复制，再找个json解析器在线解析一下。
如用这个解析器： https://www.json.cn/ ，把刚才的内容粘贴进来再看看结果：
在这里插入图片描述

复制这个路径，python请求看看：

路径的获得方法：
在这里插入图片描述
即运行以下代码

3.完美拿到我们需要的数据，接下来就是再去抓其他的数据了，分析一下它们的URL
在这里插入图片描述
我们可以看到，它们的不同之处都在 ==max_id ==上，只要找出它们的关系，就可以拿到它的数据啦。如果它的关系不好找的话，那就换其他的方法爬取吧。但是，通过Ajax拿到数据才是最快最全的，所以必须想办法拿到它的 max_id , 下面有关于它的讲解

2.2.2 方法二： selenium库

1.控制浏览器

from selenium import webdriver
driver = webdriver.Chrome() #需要调用对应的chromedriver.exe

2.等待网页加载

driver.implicitly_wait(5) #最长等待5秒，记载完成后自动跳过

3.打开网页

driver.get(url) # 需要打开的网页

4.点击网页节点

driver.find_element_by_xpath('这里放网页xpath路径').click()

5.输入内容

driver.find_element_by_xpath('这里放网页输入框的xpath路径').send_keys('输入词')

在HTML源码上鼠标右击——> copy ——> Copy Xpath

6.获取文本

driver.find_element_by_xpath('网页中文本xpath路径').text #直接获取某个具体文本

7.网页下拉

js="var q=document.documentElement.scrollTop=10000000" #滚动条，数值为每次下拉的长度，不叠加，以浏览器底部为最大值
driver.execute_script(js)#调用js

8.获取HTML源码

driver.page_source

爬取实战思路：
1.控制浏览器打开网页
2.获取评论数量：
如果评论量大于20，就需要进行下拉加载，小于20不需要下拉，下拉次数 = 评论数 ÷ 20
但是这里需要下拉时需要登录才能继续加载
3.获取源码
4.使用解析库提取信息

3、微博首页具体动态链接获取

3.1、寻找Ajax加载的数据

对于这样的网页，如何获取它文章的链接也是一个难题，它的这些数据都是通过Ajax动态加载的。
从微博的官网，点击到“科技”，发现它的URL并没有变化，如果通过 selenium 点击转到“科技”获取网页HTML，找遍怎么网页都没有链接，这是就不是 selenium 获取HTML能搞定的了，还是只能通过抓包。
在这里插入图片描述

具体浏览几篇文章后发现，它的的部分 URL 都是统一的，
微博文章链接 ‘https://m.weibo.cn/detail/’+ 发布时的id

接下来就是获取它下一个加载数据的通道了，照样是通过抓包的方式获取，不断的下拉网页，加载出其他的Ajax数据传输通道，再进行对比
在这里插入图片描述

可以很明显的看出，它的当前链接就只是带上了&page=当前数字的标签，并且每次加载出18篇动态文章

在这里插入图片描述

3.2、解析提取json数据

在线解析后的结果，简单的给它打上标签，每一个等级为一块，一级包括二级和三级，二级包括三级… 然后通过前面的标签进行迭代输出，索引出来

在这里插入图片描述

3.3、提取所有页面链接代码

方法实现：

import requests
api_url = ' https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_2088_-_ctg1_2088'
reponse = requests.get(api_url)
for json in reponse.json()['data']['statuses']:
    comment_ID = json['id']
    print (comment_ID)

在这里插入图片描述

import requests,time
comment_urls = []
def get_title_id():
    '''爬取首页的每个主题的ID'''
    for page in range(1,3):# 这是控制ajax通道的量
        head = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 UBrowser/6.2.4098.3 Safari/537.36'}
        time.sleep(2)
        # 该链接通过抓包获得
        api_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_2088_-_ctg1_2088&page=' + str(page)
        print (api_url)
        rep = requests.get(url=api_url, headers=head)
        for json in rep.json()['data']['statuses']:
            comment_url = 'https://m.weibo.cn/detail/' + json['id']
            print (comment_url)
            comment_urls.append(comment_url)
get_title_id()