15158846557 在线咨询 在线咨询
15158846557 在线咨询
所在位置: 首页 > 营销资讯 > 网站运营 > 爬虫|爬取微博动态

爬虫|爬取微博动态

时间:2023-05-20 06:32:01 | 来源:网站运营

时间:2023-05-20 06:32:01 来源:网站运营

爬虫|爬取微博动态:



爬取微博是爬虫新手入门项目,相对简单。但没想到还是遇到了些问题。。

0 踩点

老规矩第一步先踩点。某个用户的微博网址为:https://weibo.com/u/id,其中id是一长串数字,每个用户都有一个唯一的id对应。

打开网址后,右键-检查,切换到Network面板。往下滑,可以发现在微博加载出来的同时,Network也加载出来一些东西。推测这两者是有关系的。

在这个网址摸索一番之后没有任何收获,找不到有用的信息。

后来查阅资料发现,我打开的这个网址是PC端的,信息比较多,结构也比较复杂。一般来说,都是选择m端即mobile端也即手机端的页面进行爬取,虽然有时候信息会少一些,但是爬取难度低。

那要怎么打开m端页面呢?直接在PC端的网址前加个m.就行了!其实真正的m端网址是:https://m.weibo.cn/p/id2,但是加个m.就行了,会自动跳转到正确的m端网址去。id2和前面的PC端的id不一样,不过id2不重要,不需要研究他。




看起来就比PC端页面清爽多了啊...

接下来还是相同套路,右键-检查,切换到Network面板。往下滑,在加载出的文件中寻找可能有用的信息。耐心查找之后就可以发现:

这一堆数据就是和微博动态相关的,随便打开一个就看到了相关信息。当然要想知道具体和微博中的什么信息对应,还要经过细心比对。

但是任务依然没有完成,因为我们没有发现前后数据的关系。

containerid是固定的,但是since_id却没有规律,或者说我们没有发现这个参数的规律,那么我们就无法实现自动爬取。

卡在这里挺久的,去往上查了资料发现不久(可能就几个月)前,还有一个参数page来表示是第几页的动态。

page=1就得到第1页的动态,page=2就得到page第2页的动态。page这个参数显然比since_id好用得多。

经过测试,我发现page参数还是能用的。

但是我认为我并没有解决问题,因为我没有自己从微博网页发现page参数!所以我继续寻找。

1 继续寻找

经过很多次且很随意的测试,我发现了一个更简洁的页面。先点击主页,然后划到最下面,再点击查看全部微博。

跳转到另一个页面:

这个页面又比刚刚的页面少了很多花里胡哨的东西。所以呢,还是那个套路。。

这次就发现了page参数,发现了有规律的网址!

又经过多次测试,发现只有containerid和page这两个参数是有用的,其他参数不影响,可以删除!我们现在终于知道微博动态所在的网址了。

2 代码

现在就可以开始写代码了。

包导入和变量定义。

import requestsfrom pyquery import PyQuery as pqfrom wordcloud import WordCloudfrom PIL import Imageimport jiebaimport numpy as npweibo_id = '' # 微博用户idbase_url = 'https://m.weibo.cn/api/container/getIndex?containerid=230413' + weibo_id + '&page='headers = { 'Accept': 'application/json, text/plain, */*', 'MWeibo-Pwa': '1', 'Referer': 'https://m.weibo.cn/u/6132300208', 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ' + 'Chrome/75.0.3770.100 Safari/537.36', 'X-Requested-With': 'XMLHttpRequest'}FILE_NAME = 'weibo.txt' # 保存微博文本内容IMG_PATH = 'love2.jpg' # 词云的形状获得json格式的数据。

def get_content(page_num): url = base_url + str(page_num) response = requests.get(url, headers=headers) if response.status_code == 200: # 200表示正常,没被限制 content_json = response.json() return content_json else: return [] # 返回空列表解析json,提取需要的文本内容。

def parse_json(content_json): text = '' if content_json: items = content_json.get('data').get('cards') for item in items: item = item.get('mblog') # 找到文本内容 temp = pq(item.get('text')).text() pos = temp.find('/') # 把之前转发此微博的人发的文本内容去掉 if pos != -1: temp = temp[:pos] text = text + temp # 找到转发的微博的文本内容 # 如果此微博是本人发的,retweeted_status就不存在 item = item.get('retweeted_status') if item: text = text + pq(item.get('text')).text() + '/n'​ return text制作词云所需的函数。

def transform(text): word_list = jieba.cut(text) # 分词后在单独个体之间加上空格 text = ' '.join(word_list) return text​​def get_word_cloud(): with open(FILE_NAME, 'r', encoding='utf-8') as f: img_matrix = Image.open(IMG_PATH) mask = np.array(img_matrix) wc = WordCloud(mask=mask, scale=4, font_path=r'C:/Windows/Fonts/simhei.ttf', background_color='white', max_font_size=40, min_font_size=2)​ text = f.read() text = transform(text) wc.generate(text) wc.to_file(weibo_id + 'wc.png')词云在之前的文章介绍过,这里不再重复说了。移步

主函数。

if __name__ == '__main__': all_text = '' # 保存所有的文本 for page in range(1, 11): content_json = get_content(page) text = parse_json(content_json) all_text = all_text + text​ # 保存到文件 with open(FILE_NAME, 'w', encoding='utf-8') as f: f.write(all_text)​ # 生成词云 get_word_cloud()

3 结果

看一下结果吧。

所以这个人是什么状况看得一清二楚了。。可以分析的还有其他内容,比如分析时间,可以知道这个人在什么时间玩微博。

4 一点感想

很早就爬过微博了,本以为会是很简单的一次实践却遇到了困难。

靠自己解决了在网上找不到方法的问题。

第一次知道了还有m站这种东西。

新技能:爬取微博并制作词云get√




往期瞎写:













水平有限,如有错误,欢迎交流和批评指正!转载注明出处即可。




转自公众号「小z的笔记本」

每周更新各种内容

包括但不限于Python、爬虫、其他骚操作

欢迎关注








关键词:动态,爬虫

74
73
25
news

版权所有© 亿企邦 1997-2025 保留一切法律许可权利。

为了最佳展示效果,本站不支持IE9及以下版本的浏览器,建议您使用谷歌Chrome浏览器。 点击下载Chrome浏览器
关闭