Python模拟Ajax请求爬取微博

一分析请求

1 Chrome浏览器打开开发工具，然后访问https://m.weibo.cn/u/2830678474

2 一直滑动页面以加载新的微博内容。可以看到，会不断有Ajax请求发出。

3 选定其中一个请求，分析它的参数信息。点击该请求，进入详情页面，如下图：

4 可以发现，这是一个GET类型的请求，请求链接为[https://m.weibo.cn/api/container/getIndex?type=uid&value=2830678474&containerid=1076032830678474&page=2)。请求的参数有4个：type、value、containerid和page。

5 随后再看看其他请求，可以发现，它们的type、value和containerid始终如一。type始终为uid，value的值就是页面链接中的数字，其实这就是用户的id。另外，还有containerid。可以发现，它就是107603加上用户id。改变的值就是page，很明显这个参数是用来控制分页的，page=1代表第一页，page=2代表第二页，以此类推。

二分析响应

1 响应数据如下：

这个内容是JSON格式的，浏览器开发者工具自动做了解析以方便我们查看。可以看到，最关键的两部分信息就是cardlistInfo和cards：前者包含一个比较重要的信息total，观察后可以发现，它其实是微博的总数量，我们可以根据这个数字来估算分页数；后者则是一个列表，它包含10个元素，展开其中一个看一下。

2 单条微博数据

可以发现，这个元素有一个比较重要的字段mblog。展开它，可以发现它包含的正是微博的一些信息，比如attitudes_count（赞数目）、comments_count（评论数目）、reposts_count（转发数目）、created_at（发布时间）、text（微博正文）等，而且它们都是一些格式化的内容。

这样我们请求一个接口，就可以得到10条微博，而且请求时只需要改变page参数即可。

这样的话，我们只需要简单做一个循环，就可以获取所有微博了。

三爬取代码

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

# 表示请求的URL的前半部分
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

# 定义一个方法来获取每次请求的结果。在请求时，page是一个可变参数，所以我们将它作为方法的参数传递进来
def get_page(page):
    #  构造参数字典，其中type、value和containerid是固定参数，page是可变参数
    params = {
        'type': 'uid',
        'value': '2830678474',
        'containerid': '1076032830678474',
        'page': page
    }
    # 调用urlencode()方法将参数转化为URL的GET请求参数，
    # 即类似于type=uid&value=2830678474&containerid=1076032830678474&page=2这样的形式
    # base_url与参数拼合形成一个新的URL。
    url = base_url + urlencode(params)
    try:
        # 我们用requests请求这个链接，加入headers参数
        response = requests.get(url, headers=headers)
        # 然后判断响应的状态码，如果是200，则直接调用json()方法将内容解析为JSON返回，否则不返回任何信息。
        if response.status_code == 200:
            return response.json(), page
    # 如果出现异常，则捕获并输出其异常信息。
    except requests.ConnectionError as e:
        print('Error', e.args)

# 定义一个解析方法，用来从结果中提取想要的信息
def parse_page(json, page: int):
    if json:
        items = json.get('data').get('cards')
        # 想保存微博的id、正文、赞数、评论数和转发数这几个内容，那么可以先遍历cards，
        # 然后获取mblog中的各个信息，赋值为一个新的字典返回
        for index, item in enumerate(items):
            if page == 1 and index == 1:
                continue
            else:
                item = item.get('mblog', {})
                weibo = {}
                weibo['id'] = item.get('id')
                # 借助pyquery将正文中的HTML标签去掉。
                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

# 加一个方法将结果保存到MongoDB数据库
def save_to_mongo(result):
    if collection.insert(result):
        print('Saved to Mongo')

# 用程序模拟Ajax请求，将前10页微博全部爬取下来
if __name__ == '__main__':
    # 遍历一下page，一共10页，将提取到的结果打印输出即可
    for page in range(1, max_page + 1):
        json = get_page(page)
        results = parse_page(*json)
        for result in results:
            # 打印结果
            print(result)
            # 保存到mongoDB
            save_to_mongo(result)

四结果

1 打印

2 数据库

Python模拟Ajax请求爬取微博

猜你喜欢