新浪微博 爬取实现之微博登录

    实验需要新浪微博关于某一主题（如“云计算”、“大数据”等）的内容数据，原本打算是直接使用新浪微博的API去抓取，被审核不过和授权机制完全击倒。所以索性直接用HttpClient模拟抓取得了。

    但是碰上几个问题，这里先提一下，有时间再总结吧。

        1. 微博不登陆不会完全显示结果，因此必须通过模拟登陆来解决这个问题，还好有这篇文章，不然不知道还要探索多久。

        2. 用机器直接爬取数据会碰到网站防抓取问题，必须用一些机制规避。

        3. 每次搜索只能返回50个/页*50页=2500条结果，对于实验来说规模太小，必须想方法扩大查全率，抓到更多主题相关的微博。

原文转自：http://www.cnblogs.com/xwsk/archive/2011/11/14/2248857.html

　　最近做一个东西，需要抓取新浪微博的微话题，新浪微博api有所限制所以就没用新浪微博api了，想直接的从网页上获取内容，但微博的很多网页都需要登录后才能浏览的，所以做了个新浪微博的登录功能，基本需要的功能实现了，但并不健全。

对于新浪微博的页面是要用户登录之后才能进入的，如http://weibo.com/pub/topic，那么爬虫也必须登录上新浪微博才能爬取内容，在这里实现下新浪微博的登录功能，到现在还有一些问题没解决，但可以实现必须登录后才能进入的页面的文本捕获了。

先分析下微博登录提交的内容，新浪微博主页登录向服务器提交的是使用POST的，post附带的参数有

?

entry:weibo gateway:1 from: savestate:7 useticket:1 ssosimplelogin:1 vsnf:1 vsnval: su:NDY0Mjg5NTg4JTQwcXEuY29t service:miniblog servertime:1321269451 nonce:HGE0XB  pwencode:wsse sp:a3135915db1b5d15a47a43e550d89e1499a26a9b encoding:UTF-8 url:http: //weibo.com/ajaxlogin.php?framelogin=1&callback=parent.sinaSSOController.feedBackUrlCallBack returntype:META

　　在这些参数中su是用户的用户名使用base64编码的；servertime是该动作的开始时间，nonce是随机产生的6为随机数，pwencode:wsse应该指的是密码格式的编码了，sp是密码的通过编码后的形式。对于我现在的应用只需要这几个参数就好了。

接着分析下这些参数吧：

?

request.su=sinaSSOEncoder.base64.encode(urlencode(username));

　　用户名通过了urlencode和base64编码后才提交的；

servertime在哪里忘记了，通过获取时间/1000就可以得到servertime了；

?

var  makeNonce= function (len){ var  x= "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789" ; var  str= "" ; for ( var  i=0;i<len;i++){str+=x.charAt(Math.ceil(Math.random()*1000000)%x.length)} return  str};

　　nonce参数是上面函数得到的；

sp的得到就相对比较麻烦一些，是通过password,servertime,nonce 共同编码后得到的数据；使用的编码函数是

?

var  sinaSSOEncoder=sinaSSOEncoder||{};( function (){ var  i=0; var  g=8; this .hex_sha1= function (j){ return  h(b(f(j),j.length*g))}; var  b= function (A,r){A[r>>5]|=128<<(24-r%32);A[((r+64>>9)<<4)+15]=r; var  B=Array(80); var  z=1732584193; var  y=-271733879; var  v=-1732584194; var  u=271733878; var  s=-1009589776; for ( var  o=0;o<A.length;o+=16){ var  q=z; var  p=y; var  n=v; var  m=u; var  k=s; for ( var  l=0;l<80;l++){ if (l<16){B[l]=A[o+l]} else {B[l]=d(B[l-3]^B[l-8]^B[l-14]^B[l-16],1)} var  C=e(e(d(z,5),a(l,y,v,u)),e(e(s,B[l]),c(l)));s=u;u=v;v=d(y,30);y=z;z=C}z=e(z,q);y=e(y,p);v=e(v,n);u=e(u,m);s=e(s,k)} return  Array(z,y,v,u,s)}; var  a= function (k,j,m,l){ if (k<20){ return (j&m)|((~j)&l)} if (k<40){ return  j^m^l} if (k<60){ return (j&m)|(j&l)|(m&l)} return  j^m^l}; var  c= function (j){ return (j<20)?1518500249:(j<40)?1859775393:(j<60)?-1894007588:-899497514}; var  e= function (j,m){ var  l=(j&65535)+(m&65535); var  k=(j>>16)+(m>>16)+(l>>16); return (k<<16)|(l&65535)}; var  d= function (j,k){ return (j<<k)|(j>>>(32-k))}; var  f= function (m){ var  l=Array(); var  j=(1<<g)-1; for ( var  k=0;k<m.length*g;k+=g){l[k>>5]|=(m.charCodeAt(k/g)&j)<<(24-k%32)} return  l}; var  h= function (l){ var  k=i? "0123456789ABCDEF" : "0123456789abcdef" ; var  m= "" ; for ( var  j=0;j<l.length*4;j++){m+=k.charAt((l[j>>2]>>((3-j%4)*8+4))&15)+k.charAt((l[j>>2]>>((3-j%4)*8))&15)} return  m}; this .base64={encode: function (l){l= "" +l; if (l== "" ){ return "" } var  j= "" ; var  s,q,o= "" ; var  r,p,n,m= "" ; var  k=0; do {s=l.charCodeAt(k++);q=l.charCodeAt(k++);o=l.charCodeAt(k++);r=s>>2;p=((s&3)<<4)|(q>>4);n=((q&15)<<2)|(o>>6);m=o&63; if (isNaN(q)){n=m=64} else { if (isNaN(o)){m=64}}j=j+ this ._keys.charAt(r)+ this ._keys.charAt(p)+ this ._keys.charAt(n)+ this ._keys.charAt(m);s=q=o= "" ;r=p=n=m= "" } while (k<l.length); return j},_keys: "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/=" }}).call(sinaSSOEncoder);

　　得到得到sp的函数为

?

password=sinaSSOEncoder.hex_sha1( "" +sinaSSOEncoder.hex_sha1(sinaSSOEncoder.hex_sha1(password))+me.servertime+me.nonce)}request.sp=password; return request};

　　必要的参数已经分析到了，只要封装http包先服务器发送即可。我使用的是java实现，把上面一些javascript函数改写成java函数

?

//用户名编码 private String encodeAccount(String account){          return  Base64.encodeBase64String(URLEncoder.encode(account).getBytes());      } //六位随机数nonce的产生 private String makeNonce(int len){          String x= "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789" ;          String str = "" ;          for (int i=0;i<len;i++){              str+=x.charAt((int) (Math.ceil(Math.random()*1000000)%x.length()));          }          return  str;      } //servertime的产生 private String getServerTime(){          long servertime = new  Date().getTime()/1000;          return  String.valueOf( servertime);      } //密码的编码 this .sp = new  SinaSSOEncoder().encode( this .pwd, this .servertime, this .nonce);

　　SinaSSOEncoder编码类的实现

?

package com.sinaweibo;   //新浪微博密码加密的算法 public class SinaSSOEncoder {      private boolean i= false ;      private int g=8;            public SinaSSOEncoder(){                }      public String encode(String psw,String servertime,String nonce){          String password;          password=hex_sha1( "" +hex_sha1(hex_sha1(psw))+servertime+nonce);          return  password;      }            private String hex_sha1(String j) {          return  h(b(f(j,j.length()*g), j.length() * g));      }      private String h(int[] l){          String k = i ? "0123456789ABCDEF"  : "0123456789abcdef" ;          String m = "" ;          for  (int j = 0; j < l.length * 4; j++) {              m += k.charAt((l[j >> 2] >> ((3 - j % 4) * 8 + 4)) & 15) + ""  + k.charAt((l[j >> 2] >> ((3 - j % 4) * 8)) & 15);          }          return  m;      }            private int[] b(int[] A,int r){          A[r>>5]|=128<<(24-r%32);          A[((r+64>>9)<<4)+15]=r;          int[] B = new  int[80];          int z = 1732584193;          int y = -271733879;          int v = -1732584194;          int u = 271733878;          int s = -1009589776;          for  (int o = 0; o < A.length; o += 16) {              int q = z;              int p = y;              int n = v;              int m = u;              int k = s;              for  (int l = 0; l < 80; l++) {                  if  (l < 16) {                      B[l] = A[o + l];                  } else  {                      B[l] = d(B[l - 3] ^ B[l - 8] ^ B[l - 14] ^ B[l - 16], 1);                  }                  int C = e(e(d(z, 5), a(l, y, v, u)), e(e(s, B[l]), c(l)));                  s = u;                  u = v;                  v = d(y, 30);                  y = z;                  z = C;              }              z = e(z, q);              y = e(y, p);              v = e(v, n);              u = e(u, m);              s = e(s, k);          }          return  new  int[]{z,y,v,u,s};      }            private int a(int k,int j,int m,int l){          if (k<20){ return (j&m)|((~j)&l);};          if (k<40){ return  j^m^l;};          if (k<60){ return (j&m)|(j&l)|(m&l);};          return  j^m^l;      }       private int c(int j){          return (j<20)?1518500249:(j<40)?1859775393:(j<60)?-1894007588:-899497514;      }      private int e(int j, int m) {          int l = (j & 65535) + (m & 65535);          int k = (j >> 16) + (m >> 16) + (l >> 16);          return  (k << 16) | (l & 65535);      }      private int d(int j,int k){          return (j<<k)|(j>>>(32-k));      }            private int[] f(String m,int r){          int[] l;          int j = (1<< this .g)-1;          int len=((r+64>>9)<<4)+15;          int k;          for (k=0;k<m.length()*g;k+=g){              len = k>>5>len?k>>5:len;          }          l = new  int[len+1];          for (k=0;k<l.length;k++){              l[k]=0;          }          for (k=0;k<m.length()*g;k+=g){              l[k>>5]|=(m.charAt(k/g)&j)<<(24-k%32);          }          return  l;      } }

　　得到这几个参数后连通其他的一些参数，其他的参数内容不需要改变，一起封装成HTTP包先服务器发送即可，到这一步，已经完成得差不多了，提交到服务器后服务器返回了一些Cookie，有六个tgc,SUE,SUP,ALC,ALF,SUR。登录新浪微博提交的Cookie有很多，但在访问需要用户登录的页面只需要这里面的2个参数即可， SUE,SUP；还有一个wvr的参数，其值为4，其他的参数还没去理解，为了方便我把所有服务器返回的Cookie全都封装在HTTP包里了。

要访问其他的之前需要登录的页面时，这需要在提交的http包的Header加上Cookie项，值为获得的这几个参数加上wvr=4就好了。这就会发现原来不能直接访问的页面，现在可以访问了。

分析数据是个挺花时间的过程，但最终能实现还是很爽的。。。

一些其他的参数还没去理解他们的意义，爬取微话题的主页是没问题的，但使用一些新浪微博api时就出现了一些问题。