微博小爬虫

介绍了Ajax是异步的javascript和xml，该技术实现了网页部分内容局部刷新加载的功能。发送Ajax请求到网页更新的这个过程可以简单的分为三步：发送请求，解析内容，渲染网页。

F12打开浏览器的开发者模式，注意Network那一栏下的xhr(XMLHttpRequest)，这是Ajax的请求类型。

我们分析一个xhr下的条目，点击后查看headers下的requestURL获取里面携带的参数，根据preview下的结构分析分页规律。

import requests
from urllib.parse import urlencode
from pyquery import PyQuery as pq
from pymongo import MongoClient

base_url = 'https://m.weibo.cn/api/container/getIndex?'
headers = {
    'Host': 'm.weibo.cn',
    'Referer': 'https://m.weibo.cn/u/2830678474',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
    'X-Requested-With': 'XMLHttpRequest',
}
client = MongoClient()

db = client['weibo']
collection = db['weibo']
max_page = 10


def get_page(page):
    params = {
        'type': 'uid',
        'value': '2830678474',
        'containerid': '1076032830678474',
        'page': page
    }
    url = base_url + urlencode(params)
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.json(), page
    except requests.ConnectionError as e:
        print('Error', e.args)


def parse_page(json, page: int):
    if json:
        items = json.get('data').get('cards')
        for index, item in enumerate(items):
            if page == 1 and index == 1:
                continue    #不明白为什么跳过这个情况，但数据中有第一页
            else:
                item = item.get('mblog')
                weibo = {}
                weibo['id'] = item.get('id')
                weibo['text'] = pq(item.get('text')).text()
                weibo['attitudes'] = item.get('attitudes_count')
                weibo['comments'] = item.get('comments_count')
                weibo['reposts'] = item.get('reposts_count')
                yield weibo


def save_to_mongo(result):
    if collection.insert(result):
        print('Saved to Mongo')


if __name__ == '__main__':
    for page in range(1, max_page + 1):
        json = get_page(page)
        results = parse_page(*json)
        for result in results:
            print(result)
            save_to_mongo(result)


首先做初始准备：
base_url,
headers,
获取MongoDB的连接对象client，
用这个连接对象创建数据库weibo,在这个数据库中创建集合weibo，
定义分页变量maxpage。

第二步：
获取一个页面，传入参数page。根据分析到的参数构建prams，与base_url合并成完整的Url,调用request.get(url,headers)获取response，判断staus_code==200后，返回response.json()和page。

第三部：
解析json。