利用python实现新浪微博爬虫

时间:2021-03-12 16:41:49

第一个模块,模拟登陆sina微博,创建weiboLogin.py文件,输入以下代码:

  1. #! /usr/bin/env python
  2. # -*- coding: utf-8 -*-
  3. import sys
  4. import urllib
  5. import urllib2
  6. import cookielib
  7. import base64
  8. import re
  9. import json
  10. import hashlib
  11. class weiboLogin:
  12. cj = cookielib.LWPCookieJar()
  13. cookie_support = urllib2.HTTPCookieProcessor(cj)
  14. opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)
  15. urllib2.install_opener(opener)
  16. postdata = {
  17. 'entry': 'weibo',
  18. 'gateway': '1',
  19. 'from': '',
  20. 'savestate': '7',
  21. 'userticket': '1',
  22. 'ssosimplelogin': '1',
  23. 'vsnf': '1',
  24. 'vsnval': '',
  25. 'su': '',
  26. 'service': 'miniblog',
  27. 'servertime': '',
  28. 'nonce': '',
  29. 'pwencode': 'wsse',
  30. 'sp': '',
  31. 'encoding': 'UTF-8',
  32. 'url': 'http://weibo.com/ajaxlogin.php?framelogin=1&callback=parent.sinaSSOController.feedBackUrlCallBack',
  33. 'returntype': 'META'
  34. }
  35. def get_servertime(self):
  36. url = 'http://login.sina.com.cn/sso/prelogin.php?entry=weibo&callback=sinaSSOController.preloginCallBack&su=dW5kZWZpbmVk&client=ssologin.js(v1.3.18)&_=1329806375939'
  37. data = urllib2.urlopen(url).read()
  38. p = re.compile('(.∗)')
  39. try:
  40. json_data = p.search(data).group(1)
  41. data = json.loads(json_data)
  42. servertime = str(data['servertime'])
  43. nonce = data['nonce']
  44. return servertime, nonce
  45. except:
  46. print 'Get severtime error!'
  47. return None
  48. def get_pwd(self, pwd, servertime, nonce):
  49. pwd1 = hashlib.sha1(pwd).hexdigest()
  50. pwd2 = hashlib.sha1(pwd1).hexdigest()
  51. pwd3_ = pwd2 + servertime + nonce
  52. pwd3 = hashlib.sha1(pwd3_).hexdigest()
  53. return pwd3
  54. def get_user(self, username):
  55. username_ = urllib.quote(username)
  56. username = base64.encodestring(username_)[:-1]
  57. return username
  58. def login(self,username,pwd):
  59. url = 'http://login.sina.com.cn/sso/login.php?client=ssologin.js(v1.3.18)'
  60. try:
  61. servertime, nonce = self.get_servertime()
  62. except:
  63. print 'get servertime error!'
  64. return
  65. weiboLogin.postdata['servertime'] = servertime
  66. weiboLogin.postdata['nonce'] = nonce
  67. weiboLogin.postdata['su'] = self.get_user(username)
  68. weiboLogin.postdata['sp'] = self.get_pwd(pwd, servertime, nonce)
  69. weiboLogin.postdata = urllib.urlencode(weiboLogin.postdata)
  70. headers = {'User-Agent':'Mozilla/5.0 (X11; Linux i686; rv:8.0) Gecko/20100101 Firefox/8.0 Chrome/20.0.1132.57 Safari/536.11'}
  71. req  = urllib2.Request(
  72. url = url,
  73. data = weiboLogin.postdata,
  74. headers = headers
  75. )
  76. result = urllib2.urlopen(req)
  77. text = result.read()
  78. p = re.compile('location\.replace\'(.∗?)\'')
  79. try:
  80. login_url = p.search(text).group(1)
  81. urllib2.urlopen(login_url)
  82. print "Login success!"
  83. except:
  84. print 'Login error!'

然后创建main.py文件,输入以下代码:

  1. #!/usr/bin/env python
  2. # -*- coding: utf-8 -*-
  3. import weiboLogin
  4. import urllib
  5. import urllib2
  6. username = '你的微博用户名'
  7. pwd = '你的微博密码'
  8. WBLogin = weiboLogin.weiboLogin()
  9. WBLogin.login(username, pwd)

注意:若登陆失败,可能是你的账号在登陆的时候需要输入验证码!你在网页上登陆你的账号试试看,在账号设置里面可以设置某些地区不输入验证码。

参考:http://www.douban.com/note/201767245/

接下来,考虑实现抓取微博的内容。

此时遇到一个困难,当抓取指定URL的微博时,初始显示只有15条。后面的是延迟显示的(ajax里面叫lazy load?)。也就是说,当滚动条第一次拖到最下面的时候,会显示第二部分,再拖到最下面,会显示第三部分。此时一个页面的微博才是完整的。所以,要获取一个微博页面的全部微博,需要访问这个页面三次。创建getWeiboPage.py文件,相应代码如下:

  1. #!/usr/bin/env python
  2. # -*- coding: utf-8 -*-
  3. import urllib
  4. import urllib2
  5. import sys
  6. import time
  7. reload(sys)
  8. sys.setdefaultencoding('utf-8')
  9. class getWeiboPage:
  10. body = {
  11. '__rnd':'',
  12. '_k':'',
  13. '_t':'0',
  14. 'count':'50',
  15. 'end_id':'',
  16. 'max_id':'',
  17. 'page':1,
  18. 'pagebar':'',
  19. 'pre_page':'0',
  20. 'uid':''
  21. }
  22. uid_list = []
  23. charset = 'utf8'
  24. def get_msg(self,uid):
  25. getWeiboPage.body['uid'] = uid
  26. url = self.get_url(uid)
  27. self.get_firstpage(url)
  28. self.get_secondpage(url)
  29. self.get_thirdpage(url)
  30. def get_firstpage(self,url):
  31. getWeiboPage.body['pre_page'] = getWeiboPage.body['page']-1
  32. url = url +urllib.urlencode(getWeiboPage.body)
  33. req = urllib2.Request(url)
  34. result = urllib2.urlopen(req)
  35. text = result.read()
  36. self.writefile('./output/text1',text)
  37. self.writefile('./output/result1',eval("u'''"+text+"'''"))
  38. def get_secondpage(self,url):
  39. getWeiboPage.body['count'] = '15'
  40. #   getWeiboPage.body['end_id'] = '3490160379905732'
  41. #   getWeiboPage.body['max_id'] = '3487344294660278'
  42. getWeiboPage.body['pagebar'] = '0'
  43. getWeiboPage.body['pre_page'] = getWeiboPage.body['page']
  44. url = url +urllib.urlencode(getWeiboPage.body)
  45. req = urllib2.Request(url)
  46. result = urllib2.urlopen(req)
  47. text = result.read()
  48. self.writefile('./output/text2',text)
  49. self.writefile('./output/result2',eval("u'''"+text+"'''"))
  50. def get_thirdpage(self,url):
  51. getWeiboPage.body['count'] = '15'
  52. getWeiboPage.body['pagebar'] = '1'
  53. getWeiboPage.body['pre_page'] = getWeiboPage.body['page']
  54. url = url +urllib.urlencode(getWeiboPage.body)
  55. req = urllib2.Request(url)
  56. result = urllib2.urlopen(req)
  57. text = result.read()
  58. self.writefile('./output/text3',text)
  59. self.writefile('./output/result3',eval("u'''"+text+"'''"))
  60. def get_url(self,uid):
  61. url = 'http://weibo.com/' + uid + '?from=otherprofile&wvr=3.6&loc=tagweibo'
  62. return url
  63. def get_uid(self,filename):
  64. fread = file(filename)
  65. for line in fread:
  66. getWeiboPage.uid_list.append(line)
  67. print line
  68. time.sleep(1)
  69. def writefile(self,filename,content):
  70. fw = file(filename,'w')
  71. fw.write(content)
  72. fw.close()

在刚刚的main.py中加入相应内容,完整内容为:

    1. #!/usr/bin/env python
    2. # -*- coding: utf-8 -*-
    3. import weiboLogin
    4. import getWeiboMsg
    5. import urllib
    6. import urllib2
    7. username = '你的微博用户名'
    8. pwd = '你的微博密码'
    9. WBLogin = weiboLogin.weiboLogin()
    10. WBLogin.login(username, pwd)
    11. WBmsg = getWeiboMsg.getWeiboMsg()
    12. url = 'http://weibo.com/1624087025?from=otherprofile&wvr=3.6&loc=tagweibo'
    13. WBmsg.get_firstpage(url)
    14. WBmsg.get_secondpage(url)
    15. WBmsg.get_thirdpage(url)