新浪微博搜索页用户信息爬取

时间:2022-06-06 09:38:27

在成功登陆之后,我们可以进行下一波操作了~

接下来,我们的目的是通过输入关键字,找到相关用户,并收集用户的一些基本信息

 

环境

tools

1、chrome及其developer tools

2、python3.6

3、pycharm

 

Python3.6中使用的库

 1 import urllib.error
 2 import urllib.request
 3 import urllib.parse
 4 import urllib
 5 import re
 6 import json
 7 import pandas as pd
 8 import time
 9 import logging
10 import random
11 from lxml import etree

 

关键词搜索

我们首先在微博首页输入关键词,进入搜索页面

新浪微博搜索页用户信息爬取

 

搜索后,我们发现网址为http://s.weibo.com/user/%25E4%25B8%258A%25E8%25AE%25BF&Refer=weibo_user

很显然,前面的“http://s.weibo.com/user/”网页基础地址,“%25E4%25B8%258A%25E8%25AE%25BF”看起来很像关键词的一种编码形式,最后的一段内容我们先放一边,点击进入下一页继续观察规律

进入第二页后,我们发现网址变为http://s.weibo.com/user/%25E4%25B8%258A%25E8%25AE%25BF&page=2

这时,我们需要猜想,如果将“page=”之后的数字改为1,是否会跳转回首页:

新浪微博搜索页用户信息爬取

成功了,这样我们就可以将url分为三部分。

 

现在,我们需要对中间编码部分进行解析,发现它经过两次url编码。

因此,最后搜索页的url连接如下:

1 import urllib.request
2 
3 keyword = '*'
4 once = urllib.request.quote(keyword)
5 pagecode = urllib.request.quote(once)
6 
7 i = 1   # 页数
8 url = 'http://s.weibo.com/user/' + pagecode + '&page=' + str(i)

 

用户基本信息提取

接下来,我要对用户的一些基本信息进行爬取。

经过观察,初步确定了搜索页面所能爬取到的用户信息字段:

  • 微博ID——_id
  • 微博名——name
  • 地区——location
  • 性别——gender
  • 微博地址——weibo_addr
  • 关注——follow
  • 粉丝——fans
  • 微博数——weibo_num
  • 简介——intro
  • 职业——职业信息
  • 教育——教育信息
  • 标签——标签

  (其中,红色字段是必有的。)

 我们将先对【必有字段】进行爬取,再研究如何爬取【非必有字段】。

 

首先我们先观察网页源码,定位到用户主体部分【可以用Chrome自带的developer tools中的element进行定位】

新浪微博搜索页用户信息爬取

于是我们发现,开头为“<script>STK && STK.pageletM && STK.pageletM.view({"pid":"pl_user_feedList"”,我们可以通过正则表达式,寻找出该内容

此外,仔细观察还能发现()里面的内容为json格式。

万岁~~

这样对我们提取所需的html内容十分的有帮助~~

 1 data = urllib.request.urlopen(url,timeout=30).read().decode('utf-8') 
 2 
 3 lines = data.splitlines()
 4 for line in lines:
 5     if not line.startswith('<script>STK && STK.pageletM && STK.pageletM.view({"pid":"pl_user_feedList","js":'):
 6         continue
 7 
 8     json_pattern = re.compile('\((.*)\)')
 9     # 利用正则取出json
10     json_data = json_pattern.search(line).group(1)
11     # 将json包装成字典并提取出html内容
12     html = json.loads(json_data)['html']

 

然后开始正式的网页内容解析,先对【必有字段】进行解析。

这里,我们依旧需要借助Chrome上的developer tools

新浪微博搜索页用户信息爬取

通过elements,我们定位到微博名对应的html内容,我们可以利用lxml中的etree和xpath获取title名。

同理,我们也可以得到其他必有字段,最后我们讲所有内容存储成一个dict,每个key对应的value则为一个list:

1 page = etree.HTML(html)
2 info_user['name'] = page.xpath('//a[@class="W_texta W_fb"]/@title')
3 info_user['_id'] = page.xpath('//a[@class="W_btn_b6 W_fr"]/@uid')
4 info_user['weibo_addr'] = page.xpath('//a[@class="W_texta W_fb"]/@href')
5 info_user['gender'] = page.xpath('//p[@class="person_addr"]/span[1]/@title')
6 info_user['location'] = page.xpath('//p[@class="person_addr"]/span[2]/text()')
7 info_user['follow'] = page.xpath('//p[@class="person_num"]/span[1]/a/text()')
8 info_user['fans'] = page.xpath('//p[@class="person_num"]/span[2]/a/text()')
9 info_user['weibo_num'] = page.xpath('//p[@class="person_num"]/span[3]/a/text()')

 

最后是对【非必有字段】的爬取

该类字段爬取的思代码逻辑是这样的

利用lxml包中的etree抓取子树(class="person_detail")

再对子树下的枝干进行遍历,判断是否存在简介(class="person_info")和标签(class="person_label"),分别进行不同的处理

值得注意的是,部分标签下的内容不止一个,因此我们必须对标签内容进行一次判断和遍历。

新浪微博搜索页用户信息爬取

由于简介和标签分别处于两个枝干,因此可以编辑两个不同的函数进行提取:

 1 # 提取简介信息
 2 def info(self, p, path):
 3     '''
 4     extract introduction of users
 5     :param p: input an etree
 6     :param path: input xpath which must be a string
 7     :return: a string
 8     '''
 9     if type(path) == str:
10         info = p.xpath(path)
11         if len(info) == 0:
12             sub_info = ''
13         else:
14             sub_info = info[0]
15 
16         return sub_info
17     else:
18         print('please enter the path as a string')
19 
20 # 提取标签信息:标签、教育信息、工作信息
21 def labels(self, p, path, key):
22     '''
23     extract labels, such as hobbits, education, job, of users
24     :param p: input an etree
25     :param path: input xpath which must be a string
26     :param key: keywords of labels
27     :return: a string
28     '''
29     label = p.xpath(path)
30     if len(label) == 0:
31         sub_label = ''
32     else:
33         for l in label:
34             label_name = re.compile('(.*?):').findall(l.xpath('./text()')[0])
35             if label_name[0] == key:
36                 # 读取出标签信息下的所有标签内容
37                 all_label = l.xpath('./a/text()')
38                 l = ''
39                 for i in all_label:
40                     l = re.compile('\n\t(.*?)\n\t').findall(i)[0] + ',' + l
41                     sub_label = l
42             else:
43                 sub_label = ''
44 
45     return sub_label

 

构造完函数后,可以提取所有用户的信息啦~

需要注意的是,返回的内容是单个子树下的一个string,遍历当前页的所有用户的信息,则需要做成list:

 1 info_user['intro'] = []
 2 info_user['标签'] = []
 3 info_user['职业信息'] = []
 4 info_user['教育信息'] = []
 5 others = page.xpath('//div[@class="person_detail"]')
 6 for p in others:
 7     path1 = './div/p/text()'
 8     info_user['intro'].append(self.info(p, path1))
 9     path2 = './p[@class="person_label"]'
10     info_user['标签'].append(self.labels(p, path2, '标签'))
11     info_user['职业信息'].append(self.labels(p, path2, '职业信息'))
12     info_user['教育信息'].append(self.labels(p, path2, '教育信息'))

 

遍历所有页面

在成功实践了用户基本信息的爬取之后,需要遍历所有的网页

这里,我们可以用很傻瓜的方法,自己观察一共有几页,然后编一个for循环

然鹅!!!博主我绝对不会干这种蠢事的!!!必须要有一个更加装x的方式来遍历才行!

 

于是,继续依赖developer tools,找到点击下一页对应的元素,我们发现了一个神奇的东西——class="page next S_txt1_S_line1"

新浪微博搜索页用户信息爬取

这不就是绝佳的定位是否存在下一页的神器么!!!

于是,最佳代码逻辑诞生啦~~

通过判断能否提取出该内容来决定是否进入还需进入下一页i += 1

 1 i = 1
 2 Flag = True
 3 while Flag:
 4     # 构建url
 5     url = 'http://s.weibo.com/user/' + pagecode + '&page=' + str(i)
 6     try:
 7         # 超时设置
 8         data = urllib.request.urlopen(url,timeout=30).read().decode('utf-8')
 9     except Exception as e:
10         print('出现异常 -->'+str(e))
11 
12     …………
13 
14     next_page = page.xpath('//a[@class="page next S_txt1 S_line1"]/@href')[0]
15     if len(next_page) == 0 :
16         Flag = False
17     else:
18         page_num = re.compile('page=(\d*)').findall(next_page)[0]
19         i = int(page_num)

 

撒花~~~代码的整体逻辑就这么完善啦~~~

最后,我们需要解决的就是反爬的问题了,博主在这方面还没有深入研究过

不过主要思路还是有的:

  1. 每次遍历设置一个time.sleep()
  2. 设置好详细的头文件
  3. 寻找代理IP

 

最后完整版代码就不贴上来啦~~如果有疑问可以在下面回复多多交流~

撒花完结~~