基于scrapy抓取wap版微博博文

由于项目要求及数据库设计原因,所以抓取wap版博文
1、研究微博网站的结构
找到登录也的地址
对用户进行加密或者使用抓包工具查看抓到的登录用户名(在pc版中查看)

def get_su(user_name):
            username_ = urllib.quote(user_name)     # html字符转义
            username = base64.encodestring(username_)[:-1]
            return username

wap版中对密码不需要加密直接发送即可

def start_requests(self):
        
        url = 'https://login.sina.com.cn/sso/prelogin.php?checkpin=1&entry=mweibo&su=%s&callback=jsonpcallback1449104018150' % (self.base64name,)
        yield Request(url,method='get', meta={'cookiejar':1},callback=self.post_message)
def post_message(self,response):
        formdata = {}
        formdatas = {
            'username':self.user_name,
            'password':'******',#无需加密,直接填写密码
            'url':'http%3A%2F%2Fm.weibo.cn%2F'
        }
        for key in formdatas:
            formdata[key] = str(formdatas[key]).decode()
        return [FormRequest(url = 'https://passport.weibo.cn/sso/login',meta = {'cookiejar' : response.meta['cookiejar']},formdata = formdata,callback=self.parse_item) ]

pc版中的密码使用了rsa的加密方法

jsonpcallback1449710780974({"retcode":0,"servertime":1449710857,"pcid":"gz-49f0277a655f3fd80d684d703b7d56ab6023","nonce":"HWYSXO","pubkey":"-----BEGIN PUBLIC KEY-----\nMIGfMA0GCSqGSIb3DQEBAQUAA4GNADCBiQKBgQDrKjhWhmGIf6GAvdtcq9XyHHv9\nWcCQyy0kWoesJTBiiCcpKT5VBjUFCOf5qju3f0MzIxSQ+RX21jxV\/i8IpJs1P0RK\n05k8rMAtt4Sru45CqbG7\/\/s4vhjXjoeg5Bubj3OpKO4MzuH2c5iEuXd+T+noihu+\nSVknrEp5mzGB1kQkQwIDAQAB\n-----END PUBLIC KEY-----","rsakv":"1330428213","is_openlock":0,"showpin":0,"exectime":13})

def get_sp_rsa(passwd, pubkey,servertime, nonce):
# 这个值可以在prelogin得到,因为是固定值,所以写死在这里
weibo_rsa_n = pubkey
weibo_rsa_e = 65537  # 10001对应的10进制
message = str(servertime) + '\t' + str(nonce) + '\n' + passwd
key = rsa.PublicKey(int(weibo_rsa_n, 16), weibo_rsa_e)
encropy_pwd = rsa.encrypt(message, key)
return binascii.b2a_hex(encropy_pwd) #使用公钥加密

2.获取内容

def parse_item(self,response):
        content = response.body
        encodejson = json.dumps(content)
        decodeobj = json.loads(encodejson)
        jsontxt = eval(decodeobj)
        url = 'http:' + jsontxt['data']['loginresulturl'].replace('\\','')
        yield Request(url,callback=self.parse_detail)
    def parse_detail(self,response):
        for page in range(10):
            url = "http://m.weibo.cn/index/feed?format=cards&page=%s" % (int(page)+1)
            yield Request(url,callback=self.parse_list)
    def parse_list(self,response):
        item = ListItem()
        data = re.findall(r'(?<=\[).*[^\]]+(?=\])',response.body)
        jsontxt = json.loads(data[0])

        card_group = jsontxt['card_group']
        for jsonitem in card_group:
            item['url'] = 'http://m.weibo.cn/' + str(jsonitem['mblog']['user']['id']) + '/' + str(jsonitem['mblog']['bid'])
            item['title'] = jsonitem['mblog']['text'][0:255]
            item['unique_id'] = jsonitem['mblog']['id']
            item['channel_id'] = 22
            yield item

3.所有代码都在这里了

class WeiboSpider(CrawlSpider):
    name = 'mweibo.cn'
    allowed_domains = ['weibo.cn','passport.weibo.cn']
    start_urls = ['http://m.weibo.cn/']
    
    #获取一些参数
    user_name = '15961401596@163.com'
    def get_su(user_name):
        username_ = urllib.quote(user_name)     # html字符转义
        username = base64.encodestring(username_)[:-1]
        return username
    base64name = get_su(user_name)
    def start_requests(self):
        
        url = 'https://login.sina.com.cn/sso/prelogin.php?checkpin=1&entry=mweibo&su=%s&callback=jsonpcallback1449104018150' % (self.base64name,)
        yield Request(url,method='get', meta={'cookiejar':1},callback=self.post_message)
    #发送post请求
    def post_message(self,response):
        serverdata = re.findall(r'(?<=jsonpcallback1449104018150[\(()]).*[^\))]+(?=[\))])',response.body)
        encodejson = json.dumps(serverdata)
        decodeobj = json.loads(encodejson)
        xmltest = decodeobj[0].encode("utf-8", 'ignore')
        jsontxt = eval(xmltest)
        servertime = jsontxt['servertime']
        nonce = jsontxt['nonce']
        rsakv = jsontxt['rsakv']
        pubkey = jsontxt['pubkey']
        formdata = {}
        formdatas = {
            'username':self.user_name,
            'password':'********',
            'url':'http%3A%2F%2Fm.weibo.cn%2F'
        }
        for key in formdatas:
            formdata[key] = str(formdatas[key]).decode()
        return [FormRequest(url = 'https://passport.weibo.cn/sso/login',meta = {'cookiejar' : response.meta['cookiejar']},formdata = formdata,callback=self.parse_item) ]
    def parse_item(self,response):
        content = response.body
        encodejson = json.dumps(content)
        decodeobj = json.loads(encodejson)
        jsontxt = eval(decodeobj)
        url = 'http:' + jsontxt['data']['loginresulturl'].replace('\\','')
        yield Request(url,callback=self.parse_detail)
    def parse_detail(self,response):
        for page in range(10):
            url = "http://m.weibo.cn/index/feed?format=cards&page=%s" % (int(page)+1)
            yield Request(url,callback=self.parse_list)
    def parse_list(self,response):
        item = ListItem()
        data = re.findall(r'(?<=\[).*[^\]]+(?=\])',response.body)
        jsontxt = json.loads(data[0])

        card_group = jsontxt['card_group']
        for jsonitem in card_group:
            item['url'] = 'http://m.weibo.cn/' + str(jsonitem['mblog']['user']['id']) + '/' + str(jsonitem['mblog']['bid'])
            item['title'] = jsonitem['mblog']['text'][0:255]
            item['unique_id'] = jsonitem['mblog']['id']
            item['channel_id'] = 22
            yield item
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,258评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,335评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,225评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,126评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,140评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,098评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,018评论 3 417
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,857评论 0 273
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,298评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,518评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,678评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,400评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,993评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,638评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,801评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,661评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,558评论 2 352

推荐阅读更多精彩内容