爬虫实例——爬取微博动态

Posted 2020-11-02 cc成

首语：开始准备认真学习爬虫了，先从基础的开始学起，比如先爬取微博的个人动态。

两个难点：获取动态加载的内容和翻页这两项操作。

对象：何炅的个人

分析过程：

　　首页url：https://weibo.com/hejiong?is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page=1#feedtop

　　我们可以直接用get方法请求该URL，但是注意要带上cookies，这样才能得到网页信息。cookies可以直接使用开发者工具来查找。

　　

import requests
urll="https://weibo.com/hejiong?is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page=1#feedtop"
r=requests.get(urll,cookies=cookiess)#必须带上cookies才能获得网页信息。
print(r.text)

 

这里就出现了之前讲到的一个难点——页面内容并不是完整显示地，有部分内容动态加载，只有你拉到底部才会加载出来。

而我们之前的代码是爬取不到动态加载的内容的，这里就需要对动态加载的内容进行分析一下了

打开浏览器的开发者工具，查看xhr内容，可以确定下面画红框的就是动态加载的内容。

 

我们可以查看该请求的url，一个页面一般会动态加载两次，我们可以比较一下这两个动态加载的url，可以发现只有两处不同————_rnd和pagebar

经过自己的试验，可以发现_rnd这个参数根本不起作用，只有pagebar起作用，所以我们可以直接把_rnd这部分给删掉

于是第一个页面的动态加载的url就可以写成：https://weibo.com/p/aj/v6/mblog/mbloglist?ajwvr=6&domain=100306&is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page=1&pagebar=0&pl_name=Pl_Official_MyProfileFeed__22&id=1003061195230310&script_uri=/hejiong&feed_type=0&pre_page=1&domain_op=100306和https://weibo.com/p/aj/v6/mblog/mbloglist?ajwvr=6&domain=100306&is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page=1&pagebar=1&pl_name=Pl_Official_MyProfileFeed__22&id=1003061195230310&script_uri=/hejiong&feed_type=0&pre_page=1&domain_op=100306。

第一个难点我们就解决了——获取动态加载内容的url。

 

接下来看看第二个难点——如何实现翻页

我们打开网络，通过点击其他页面，来查看跳出的请求，就能找到其他页面的url了。

获取到的url为：https://weibo.com/hejiong?pids=Pl_Official_MyProfileFeed__22&is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page=5&ajaxpagelet=1&ajaxpagelet_v6=1&__ref=%2Fhejiong%3Fis_search%3D0%26visible%3D0%26is_all%3D1%26is_tag%3D0%26profile_ftype%3D1%26page%3D1&_t=FM_152535932058827

其实通过第一个页面的url推算也能猜出只是更改page参数的值就能实现翻页了，将上面的页面的url不断去除也能得到更好的url：https://weibo.com/hejiong?is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page=5#feedtop

同样可以得到第五个页面的两个动态加载的url：https://weibo.com/p/aj/v6/mblog/mbloglist?ajwvr=6&domain=100306&is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page=5&pagebar=0&pl_name=Pl_Official_MyProfileFeed__22&id=1003061195230310&script_uri=/hejiong&feed_type=0&pre_page=5&domain_op=100306&__rnd=1525359568282和https://weibo.com/p/aj/v6/mblog/mbloglist?ajwvr=6&domain=100306&is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page=5&pagebar=1&pl_name=Pl_Official_MyProfileFeed__22&id=1003061195230310&script_uri=/hejiong&feed_type=0&pre_page=5&domain_op=100306&__rnd=1525359603560

前面讲第一页的时候讲了这两个的区别就是pagebar，一个是0，一个是1；第五页的这两个url和第一页的两个url的区别是page值的不同，所以我们就可以自己手动构造所需要抓取的每个页面的url了。