利用python实现新浪微博爬虫

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

 

 

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


然后创建main.py文件,输入以下代码:

 

 

[python] view plain copy
 
  1. #!/usr/bin/env python  
  2. # -*- coding: utf-8 -*-  
  3.   
  4. import weiboLogin  
  5. import urllib  
  6. import urllib2  
  7.   
  8. username = '你的微博用户名'  
  9. pwd = '你的微博密码'  
  10.   
  11. WBLogin = weiboLogin.weiboLogin()  
  12. 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:

 

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



 

在刚刚的main.py中加入相应内容,完整内容为:

 

 

[python] view plain copy
 
    1. #!/usr/bin/env python  
    2. # -*- coding: utf-8 -*-  
    3.   
    4. import weiboLogin  
    5. import getWeiboMsg  
    6. import urllib  
    7. import urllib2  
    8.   
    9. username = '你的微博用户名'  
    10. pwd = '你的微博密码'  
    11.   
    12. WBLogin = weiboLogin.weiboLogin()  
    13. WBLogin.login(username, pwd)  
    14.   
    15. WBmsg = getWeiboMsg.getWeiboMsg()  
    16. url = 'http://weibo.com/1624087025?from=otherprofile&wvr=3.6&loc=tagweibo'  
    17.   
    18. WBmsg.get_firstpage(url)  
    19. WBmsg.get_secondpage(url)  
    20. WBmsg.get_thirdpage(url)  
posted @ 2017-11-09 10:07  py小蟒蛇  阅读(700)  评论(0编辑  收藏  举报