一、爬取目标

大家好，我是 @马哥python说，一枚10年程序猿。

今天分享一期python爬虫案例，爬取目标是新浪微博的微博签到数据，字段包含：
页码,微博id,微博bid,微博作者,发布时间,微博内容,签到地点,转发数,评论数,点赞数

经过分析调研，发现微博有3种访问方式，分别是：

1. PC端网页：https://weibo.com/
2. 移动端：https://weibo.cn/
3. 手机端：https://m.weibo.cn/

最终决定，通过手机端爬取。

这里，给大家分享一个爬虫小技巧。
当目标网站既存在PC网页端，又有手机移动端，建议爬取移动端，原因是：移动端一般网页结构简单，并且反爬能力较弱，更方便爬虫爬取。

二、展示爬取结果

通过爬虫代码，爬取了“环球影城”这个关键字下的前100页微博，部分数据如下：

一共翻页了100页，大概1000条左右微博。

三、讲解代码

首先，导入需要用到的库：

import os  # 判断文件存在
import re  # 正则表达式提取文本
import requests  # 发送请求
import pandas as pd  # 存取csv文件
import datetime  # 转换时间用

然后，定义一个转换时间字符串的函数，因为爬取到的时间戳是GMT格式（类似这种：Fri Jun 17 22:21:48 +0800 2022）的，需要转换成标准格式：

def trans_time(v_str):
    \"\"\"转换GMT时间为标准格式\"\"\"
    GMT_FORMAT = \'%a %b %d %H:%M:%S +0800 %Y\'
    timeArray = datetime.datetime.strptime(v_str, GMT_FORMAT)
    ret_time = timeArray.strftime(\"%Y-%m-%d %H:%M:%S\")
    return ret_time

定义一个请求头，后面发送请求的时候带上它，防止反爬：

# 请求头
headers = {
    \"User-Agent\": \"Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Mobile Safari/537.36\",
    \"accept\": \"text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9\",
    \"accept-encoding\": \"gzip, deflate, br\",
}

打开chrome浏览器，在m端网址搜索\"环球影城\"，选择地点，选择第一条搜索结果\"北京环球影城\"，如下：

获取地点对应的containerid，后面会用到，爬虫代码如下：

def get_containerid(v_loc):
    \"\"\"
    获取地点对应的containerid
    :param v_loc: 地点
    :return: containerid
    \"\"\"
    url = \'https://m.weibo.cn/api/container/getIndex\'
    # 请求参数
    params = {
        \"containerid\": \"100103type=92&q={}&t=\".format(v_loc),
        \"page_type\": \"searchall\",
    }
    r = requests.get(url, headers=headers, params=params)
    cards = r.json()[\"data\"][\"cards\"]
    scheme = cards[0][\'card_group\'][0][\'scheme\']  # 取第一个
    containerid = re.findall(r\'containerid=(.*?)&\', scheme)[0]
    print(\'[{}]对应的containerid是：{}\'.format(v_loc, containerid))
    return containerid

点击第一个地点\"北京环球影城\"，跳转到它对应的微博签到页面：

首先打开开发者模式，然后往下翻页，多翻几次，观察XHR页面的网络请求：

根据分析结果，编写请求代码：

# 请求地址
url = \'https://m.weibo.cn/api/container/getIndex\'
# 请求参数
params = {
    \"containerid\": containerid,
    \"luicode\": \"10000011\",
    \"lcardid\": \"frompoi\",
    \"extparam\": \"frompoi\",
    \"lfid\": \"100103type=92&q={}\".format(v_keyword),
    \"since_id\": page,
}

其中，since_id每次翻页+1，相当于页码数值。

请求参数，可以在Payload页面获取：

下面开始发送请求并解析数据：

# 发送请求
r = requests.get(url, headers=headers, params=params)
print(r.status_code)  # 查看响应码
# 解析json数据
try:
    card_group = r.json()[\"data\"][\"cards\"][0][\'card_group\']
except:
    card_group = []

定义一些空列表，用于后续保存数据：

time_list = []  # 创建时间
author_list = []  # 微博作者
id_list = []  # 微博id
bid_list = []  # 微博bid
text_list = []  # 博文
text2_list = []  # 博文2
loc_list = []  # 签到地点
reposts_count_list = []  # 转发数
comments_count_list = []  # 评论数
attitudes_count_list = []  # 点赞数

以\"微博博文\"为例，展示代码，其他字段同理，不再赘述。

# 微博博文
text = card[\'mblog\'][\'text\']
text_list.append(text)

把所有数据保存到Dataframe里面：

# 把列表数据保存成DataFrame数据
df = pd.DataFrame(
    {
        \'页码\': page,
        \'微博id\': id_list,
        \'微博bid\': bid_list,
        \'微博作者\': author_list,
        \'发布时间\': time_list,
        \'微博内容\': text2_list,
        \'签到地点\': loc_list,
        \'转发数\': reposts_count_list,
        \'评论数\': comments_count_list,
        \'点赞数\': attitudes_count_list,
    }
)

最终，把所有数据保存到csv文件：

# 表头
if os.path.exists(v_weibo_file):
    header = False
else:
    header = True
# 保存到csv文件
df.to_csv(v_weibo_file, mode=\'a+\', index=False, header=header, encoding=\'utf_8_sig\')
print(\'csv保存成功:{}\'.format(v_weibo_file)))

说明一下，由于每次保存csv都是追加模式（mode=\'a+\'），所以加上if判断逻辑：

1. 如果csv存在，说明不是第一次保存csv，不加表头；
2. 如果csv不存在，说明是第一次保存csv，加上表头。

如此，可避免写入多次表头的尴尬局面。

整个代码中，还含有：正则表达式提取博文、爬取展开全文、从博文中提取签到地点、数据清洗（删除空数据、去重复）等功能，详细请见原始代码。

四、同步视频

代码演示视频：https://www.zhihu.com/zvideo/1605933587244658688

五、附完整源码

完整源码：【python爬虫案例】爬了上千条m端微博签到数据

推荐阅读：
【python爬虫案例】爬取微博任意搜索关键词的结果，以“唐山打人”为例

来源：https://www.cnblogs.com/mashukui/p/17097409.html
本站部分图文来源于网络，如有侵权请联系删除。