本文已参加「新人创造礼」活动,一同敞开创造之路

追风赶月莫停留,平芜尽处是春山。

一、网页剖析

微博共有三种阅读方式,便于谈论的抓取我们这次选择的是相似手机网页版的微博

Python爬虫实战(二):微博评论文本爬取
打开某一篇博文的谈论,进入开发者形式,改写网页,就能发现这个东西。
Python爬虫实战(二):微博评论文本爬取
里边包括谈论内容、谈论时间、谈论者昵称、id等信息。
Python爬虫实战(二):微博评论文本爬取

二、接口剖析

url剖析

第一页:

m.weibo.cn/comments/ho…

持续往下翻:

m.weibo.cn/comments/ho…

发现多了一个max_id参数 通过我们的剖析我们能够知道id和mid是一样的都代表这篇博文的id,

Python爬虫实战(二):微博评论文本爬取

现在,文章的id知道了,只要找到max_id和max_id_type就行了。 还是那个接口,发现他现已给出了max_id和max_id_type,然后看下一页谈论,发现url中的max_id和max_id_type便是上一页中给出的。

Python爬虫实战(二):微博评论文本爬取
接下来事情就好办了,但是留意一个问题,还有关于谈论的谈论,我们把它称作二级谈论,然后我们看一下二级谈论的抓取。
Python爬虫实战(二):微博评论文本爬取
留意:只有当total_number的数量大于0的时分才会有二级谈论。 同样是开发者形式改写页面,发现
Python爬虫实战(二):微博评论文本爬取
这个接口

m.weibo.cn/comments/ho…

其中cid参数是本条谈论的mid。

Python爬虫实战(二):微博评论文本爬取
当二级谈论多的时分,也会有max_id和max_type参数的存在,这些请读者自行寻觅。

回来数据剖析

Python爬虫实战(二):微博评论文本爬取

关于这个接口我们能够发现这个是个get恳求,而且回来的数据是json格式utf-8的编码。 直接把得到的数据按照json数据格式化就行了。

三、编写代码

知道了url规则,以及回来数据的格式,那现在我们的任务便是结构url然后恳求数据 现在来结构url:

url = 'https://m.weibo.cn/comments/hotflow?id={}&mid={}&max_id={}&max_id_type={}'
url = url.format(mid, mid, max_id, max_id_type)

关于每个url我们都要去用requests库中的get方法去恳求数据: 所以我们为了便利就把恳求网页的代码写成了函数get_html(url),传入的参数是url回来的是恳求到的内容。

def get_html(url):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36",
        "Referer": "https://m.weibo.cn"
    }
    cookies = {
        "cookie": "你的cookie"
    }
    response = requests.get(url, headers=headers, cookies=cookies)
    response.encoding = response.apparent_encoding
    time.sleep(3)   # 加上3s 的延时避免被反爬
    return response.text

其中referer是一个认证读者能够自行百度 cookies是某些网站为了辨别用户身份,进行Session跟踪而储存在用户本地终端上的数据(一般通过加密),由用户客户端计算机暂时或永久保存的信息这个能够在开发者形式里边找到

Python爬虫实战(二):微博评论文本爬取
把自己的cookie里边的信息替换掉代码里的就好了。

获取数据

# 获取二级谈论
def get_second_comments(cid):
    max_id = 0
    max_id_type = 0
    url = 'https://m.weibo.cn/comments/hotFlowChild?cid={}&max_id={}&max_id_type={}'
    while True:
        response = get_html(url.format(cid, max_id, max_id_type))
        content = json.loads(response)
        comments = content['data']
        for i in comments:
            text_data = i['text']
            save_text_data(text_data)
        max_id = content['max_id']
        max_id_type = content['max_id_type']
        if max_id == 0:
            break
# 获取一级谈论
def get_first_comments(mid):
    max_id = 0
    max_id_type = 0
    url = 'https://m.weibo.cn/comments/hotflow?id={}&mid={}&max_id={}&max_id_type={}'
    while True:
        response = get_html(url.format(mid, mid, max_id, max_id_type))
        content = json.loads(response)
        max_id = content['data']['max_id']
        max_id_type = content['data']['max_id_type']
        text_list = content['data']['data']
        for text in text_list:
            text_data = text['text']
            total_number = text['total_number']
            if int(total_number) != 0:  # 如果有二级谈论就去获取二级谈论。
                get_second_comments(text['id'])
            save_text_data(text_data)
        if int(max_id) == 0:    # 如果max_id==0标明谈论现已抓取完毕了
            break

完整代码

# -*- coding:utf-8 -*-
# @time: 2021/5/11 19:00
# @Author: 韩国麦当劳
# @Environment: Python 3.7
# @file: 微博谈论.py 
import json
import csv
import re
import requests
import time
# 获取网页源码的文本文件
def get_html(url):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36",
        "Referer": "https://m.weibo.cn"
    }
    cookies = {
        "cookie": "你的cookie"
    }
    response = requests.get(url, headers=headers, cookies=cookies)
    response.encoding = response.apparent_encoding
    time.sleep(3)   # 加上3s 的延时避免被反爬
    return response.text
def get_string(text):
    t = ''
    flag = 1
    for i in text:
        if i == '<':
            flag = 0
        elif i == '>':
            flag = 1
        elif flag == 1:
            t += i
    return t
# 保存谈论
def save_text_data(text_data):
    text_data = get_string(text_data)
    with open("data.csv", "a", encoding="utf-8", newline="")as fi:
        fi = csv.writer(fi)
        fi.writerow([text_data])
# 获取二级谈论
def get_second_comments(cid):
    max_id = 0
    max_id_type = 0
    url = 'https://m.weibo.cn/comments/hotFlowChild?cid={}&max_id={}&max_id_type={}'
    while True:
        response = get_html(url.format(cid, max_id, max_id_type))
        content = json.loads(response)
        comments = content['data']
        for i in comments:
            text_data = i['text']
            save_text_data(text_data)
        max_id = content['max_id']
        max_id_type = content['max_id_type']
        if max_id == 0:		# 如果max_id==0标明谈论现已抓取完毕了
            break
# 获取一级谈论
def get_first_comments(mid):
    max_id = 0
    max_id_type = 0
    url = 'https://m.weibo.cn/comments/hotflow?id={}&mid={}&max_id={}&max_id_type={}'
    while True:
        response = get_html(url.format(mid, mid, max_id, max_id_type))
        content = json.loads(response)
        max_id = content['data']['max_id']
        max_id_type = content['data']['max_id_type']
        text_list = content['data']['data']
        for text in text_list:
            text_data = text['text']
            total_number = text['total_number']
            if int(total_number) != 0:  # 如果有二级谈论就去获取二级谈论。
                get_second_comments(text['id'])
            save_text_data(text_data)
        if int(max_id) == 0:    # 如果max_id==0标明谈论现已抓取完毕了
            break
if __name__ == '__main__':
    mid = ["4635408392523906"]
    for id in mid:
        get_first_comments(id)    # 爬取一级谈论

获得的部分数据截图

Python爬虫实战(二):微博评论文本爬取

欢迎一键三连哦! 还想看哪个网站的爬虫?欢迎留言,说不定下次要剖析的便是你想要看的!