python 爬取新浪微博信息

最新推荐文章于 2020-11-23 22:58:02 发布

原创最新推荐文章于 2020-11-23 22:58:02 发布 · 225 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #5g

本文介绍了一种不通过模拟登录而使用Cookie爬取新浪微博的方法。该方法能够抓取指定用户的微博内容、图片和个人资料等信息，并展示了如何解析网页源码以获取所需数据。

新浪微博爬取的话需要设计到登录，这里我没有模拟登录，而是使用cookie进行爬取。

获取cookie：

代码：

#-*-coding:utf8-*-

from bs4 import BeautifulSoup
import requests
import time
import os
import sys
import random
reload(sys) 
sys.setdefaultencoding('utf-8')
user_id = 用户id
cookie = {"Cookie": "_T_WM=f3a2assae4335dfdf38fdc7a25a88; SCF=ApMI3mluv9yH6yKz4i7-HMlHojzPtQULc5G0xlrri-NeO3Xn1FRWI5W1HElZWG1bMkX4mV_OhKDtNV2IhxJQGLs.; SUB=_2A250jET_DeRhGeNN7FsX9CrIzzqIHXVXj2y3rDV6PUJbkdBeLUrnkW1AtfoOlrd_kyd1Izu7Q1uKaFvRDQ..; SUHB=0k1ySJSrJVBDGD; SSOLoginState=1502098607"}

for page in range(100):
    url = 'https://weibo.cn/573550093?page=%d' % page
    response = requests.get(url, cookies = cookie)
    html = response.text 
    soup = BeautifulSoup(html, 'lxml') 
    username = soup.title.string
    cttlist = []
    for ctt in  soup.find_all('span',class_="ctt"):
        cttlist.append(ctt.get_text())
    ctlist = []
    for ct in  soup.find_all('span',class_="ct"): 
        ctlist.append(ct.get_text())
    if page == 0:
        print "微博用户资料：" + cttlist[0]
        print "微博用户个性签名：" + cttlist[1]
        print "用户的微博动态:\n"
    imgurllist = []
    for img in  soup.find_all('a'):
        if img.find('img') is not None :
            if 'http://tva3.' not in  img.find('img')['src'] and 'https://h5' not in img.find('img')['src']:
                imgurllist.append(img.find('img')['src'])
    #imgname = soup.title.string + '_' + str(page) + str(time.time()) +str(random.randrange(0, 1000, 3))  +'.jpg'
    if not os.path.exists(str(soup.title.string)):
        os.mkdir(str(soup.title.string)) 
    #imgname ='./'+ str(soup.title.string) + '/'+ soup.title.string + '_' + str(time.time()) +'.jpg'
    for imgurl in imgurllist:
        imgname = './'+ str(soup.title.string) + '/'+soup.title.string + '_' + str(page) + str(time.time()) +str(random.randrange(0, 1000, 3))  +'.jpg'
        response = requests.get('%s' % imgurl)
        dirw = str(soup.title.string)
        open(imgname, 'wb').write(response.content)
        time.sleep(1.5)
    try:
        for i in range(len(ctlist)):
            print cttlist[2+i]
            print ctlist[i]
            print "\n"
    except:
        for i in range(len(ctlist)):
            print cttlist[i]
            print ctlist[i]
            print "\n"
    if "下页" not  in  soup.select('div[id="pagelist"]')[0].get_text():
        break
    time.sleep(random.randint(1,3))

效果展示：