爬取微博的数据时别人用的是FM.view方法传递html标签那么jsoup怎么解析呢

Posted 2020-10-12 锋齐叶落

使用JSOUP就行 这里给出点思路

我只做了自己的首页和其他人的微博首页的抓取 其他的抓取没尝试(不好意思 比较懒...） 

 

首先是利用JSOUP进行登陆 获取页面 看了下微博的登陆表格 发现用了ajax的方式 所以代码获取cookie有点难

所以偷了个懒就用IE的开发者工具获取到了cookie 获取到的cookie要写成map的形式 然后用代码:

Java代码  

1. Response res=Jsoup.connect("http://weibo.com").cookies(map).method(Method.POST).execute();  
2. String s=res.body();  

 得到了下发现挺多的:

 可以自己写段脚本来打印map.put(xxx,xxx)

我这里用scala写了段 用java写一样的 无所谓:

Scala代码  

1. s.split("; ").foreach(s => {val x=s.split("=");println(s"""map.put("${x(0)}","${x(1)}");""")});  

 最后得到的body 嗯......是一大堆的script标签 最上面是微博的固定的顶上那一栏的内容(导航条的内容)

lz尝试了下 发现需要的是 <script>FM.view 中一个id为pl_content_homeFeed的 他就是首页的内容

然后lz进行了下简单的处理 没有用正则 因为....额...写不好:

Java代码  

1.         String s=res.body();  
2.         //System.out.println(s);  
3.         String[] ss=s.split("<script>FM.view");  
4.         int i=0;  
5.         //pl_content_homeFeed  
6. //        for(String x:ss){  
7. //          System.out.println(i++ + "======================================");  
8. //          System.out.println(x.substring(0, x.length()>100?100:x.length()));  
9. //          System.out.println("===========================================");  
10. //        }  
11.         String content=ss[8].split("\"html\":\"")[1].replaceAll("\\\\n", "").replaceAll("\\\\t", "").replaceAll("\\\\", "");  
12.         content=content.substring(0, content.length()<=13?content.length():content.length()-13);  
13.         System.out.println(content);  

 输出的content就是首页显示的微博内容 

不过这个输出的话unicode没有被转成中文字符 需要用native2ascii工具 去网上找到了一个:

http://soulshard.iteye.com/blog/346807

实测可以使用:

Java代码  

1. System.out.println(Native2AsciiUtils.ascii2Native(content));  

 

注意了 以上的代码 lz是固定了主页的 所以在截取时直接用了index为8的

把post方法改成get方法 也可以获取到其他人的微博页 

然后给出一个打印出获取的所有html内容的做法(试了一些主页可行):

Java代码  

1. package jsoupTest;  
2.   
3. import java.io.IOException;  
4. import java.util.ArrayList;  
5. import java.util.HashMap;  
6. import java.util.List;  
7. import java.util.Map;  
8.   
9. import org.jsoup.Connection.Method;  
10. import org.jsoup.Connection.Response;  
11. import org.jsoup.Jsoup;  
12.   
13. public class JsoupTest {  
14.     public static void main(String[] args) throws IOException {  
15.         Map<String, String> map = new HashMap<>();  
16.         //map.put请根据自己的微博cookie得到  
17.   
18.         Response res = Jsoup.connect("http://weibo.com/u/别人的主页id")  
19.                 .cookies(map).method(Method.GET).execute();  
20.         String s = res.body();  
21.         System.out.println(s);  
22.         String[] ss = s.split("<script>FM.view");  
23.         int i = 0;  
24.         // pl_content_homeFeed  
25.         // pl.content.homeFeed.index  
26.         List<String> list = new ArrayList<>();  
27.         for (String x : ss) {  
28. //          System.out.println(i++ + "======================================");  
29. //          System.out.println(x.substring(0,  
30. //                  x.length() > 200 ? 200 : x.length()));  
31. //          System.out.println("===========================================");  
32.             if (x.contains("\"html\":\"")) {  
33.                 String value = getHtml(x);  
34.                 list.add(value);  
35.                 System.out.println(value);  
36.             }  
37.   
38.         }  
39.         // content=ss[8].split("\"html\":\"")[1].replaceAll("(\\\\t|\\\\n)",  
40.         // "").replaceAll("\\\\\"", "\"").replaceAll("\\\\/", "/");  
41.         // content=content.substring(0,  
42.         // content.length()<=13?content.length():content.length()-13);  
43.         // System.out.println(Native2AsciiUtils.ascii2Native(content));  
44.     }  
45.   
46.     public static String getHtml(String s) {  
47.         String content = s.split("\"html\":\"")[1]  
48.                 .replaceAll("(\\\\t|\\\\n|\\\\r)", "").replaceAll("\\\\\"", "\"")  
49.                 .replaceAll("\\\\/", "/");  
50.         content = content.substring(0,  
51.                 content.length() <= 13 ? content.length()  
52.                         : content.length() - 13);  
53.         return Native2AsciiUtils.ascii2Native(content);  
54.     }  
55. }  

 

抓取的内容应该要适当格式化一下才可以用Jsoup做解析

不过试了下直接做解析也没什么问题(虽然有一些标签错误)

 

这只是个页面抓取的策略 其他的我不想多写了 大家自己实践一下 前提是你用自己的新浪微博的cookie进行抓取

以上是关于爬取微博的数据时别人用的是FM.view方法传递html标签那么jsoup怎么解析呢的主要内容，如果未能解决你的问题，请参考以下文章

爬虫实例 利用Ajax爬取微博数据

Python 超简单爬取新浪微博数据 (高级版)

爬虫实例——爬取微博动态

python爬取微博图片数据存到Mysql中遇到的各种坑python Mysql存储图片

如何用python实现爬取微博相册所有图片？

python网络编程新浪爬虫：关键词搜索爬取微博数据