分享下微博爬虫的代码

一、说在前面

微博的反爬做的还是挺好的,登陆过程中有跳转、加密、验证码等玩意儿夹杂在一起,模拟登陆的难度比较大。所以偷懒用了cookie登录的方式,访问wap站来减小难度。
思路是从一个大V开始抓取他的粉丝列表,从粉丝列表中筛选粉丝数较大的号继续爬取他的粉丝列表,获取了大量的微博UID后,拼接出他的个人资料页和所发微博页,从中爬取需要的数据。

二、上代码

2.1 获取微博UID

import requests
from bs4 import BeautifulSoup
import re
import pymysql
import time
import random

fansnum_pat = re.compile(r'粉丝(\d+)人')
uid_pat = re.compile(r'uid=(\d+)')

def get_table_content(obj):
    tds = obj.tr.find_all('td')
    td = tds[1].a
    uid_obj = tds[1].find_all('a')[1].get('href')
    uid = uid_pat.search(uid_obj).group(1)
    fans_obj = list(tds[1].stripped_strings)[1]
    try:
        fans_num = fansnum_pat.search(fans_obj).group(1)
        fans_num = int(fans_num)
    except Exception as e:
        fans_num = -1
        print(e,fans_obj)
    nickname = td.get_text()
    return uid,nickname,fans_num

def sql_commit(sql):
    try:
        cursor.execute(sql)
        con.commit()
    except Exception as e:
        con.rollback()
        print(e,sql)

if __name__ == '__main__':
    ua = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36'
    headers = {
  'User-Agent': ua}
    #my_cookie = '_T_WM=c13752c6f0ebbb0d5ce702a225841bed; H5_INDEX=3; H5_INDEX_TITLE=%E5%AF%BF%E5%AF%BF%E4%B8%8A%E8%AF%BE%E9%83%BD%E5%90%AC%E4%B8%8D%E6%87%82%E4%BA%86T_T; SUB=_2A250rL6kDeThGeRM6lYY8CvFzjyIHXVUbsLsrDV6PUJbkdBeLXnekW1aDDbKylZr7vp_NvLVNcVobIaZUQ..; SUHB=0y0IKSrzA6PoeE; SCF=AoLS5R_zSY-F3wyOUjqx66T8mZJzgNGU4seu2b56gfc_DQywsxi_ld8YsmxwhZLG9CqaSVDC7e61z8kXNEYLglM.; SSOLoginState=1504235252'
    my_cookie = '_T_WM=c13752c6f0ebbb0d5ce702a225841bed; SCF=AoLS5R_zSY-F3wyOUjqx66T8mZJzgNGU4seu2b56gfc_DQywsxi_ld8YsmxwhZLG9CqaSVDC7e61z8kXNEYLglM.; SUB=_2A250tM0YDeRhGeBN7lcS9yfFzDuIHXVUVtNQrDV6PUJbkdBeLXbGkW0q0ENC4BfdsLTFX55Ty_AcjDJEyw..; SUHB=0LcSLfObfbhXAy; SSOLoginState=1504755016'
    cookie_dict = {
  "Cookie": my_cookie}
    cookie = requests.utils.cookiejar_from_dict(cookie_dict, cookiejar=None, overwrite=True)
    s = requests.Session()
    s.headers.update(headers)
    s.cookies = cookie

    con = pymysql.connect(host="localhost", user="root", password="root", db="data", charset="utf8", port=3306)
    cursor = con.cursor()

    count = 0
    out_flag = 0
    uid_waiting = {
  '6190532921'}   #以某一个粉丝数量较大的微博为起点
    
  • 1
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
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