抓取微博信息-Python程序-效果演示

代码效果演示
Gitee源码

# -*- coding: utf-8 -*-
# Version: Python 3.9.7
# Author: TRIX
# Date: 2021-10-04 17:36:05
# Use:抓取今日头条微博相关部分信息 并将信息储存到txt headers储存到json
from urllib.parse import urlencode
import requests
import pyperclip,json
from dateutil.parser import parse#处理时间


def getHeaders(noKeys=None,extraStripChars=[':'],doPrint=False,):
    '''noKeys 根据键名去除键值对 键名与键名间以一个space分割 忽略大小写 忽略是否strip

    extraStripChars 额外strip键名的无关字符 字符与字符间以一个space分割

    doPrint 是否打印headers和去除的键值对 只有在初次创建headers.json有用'''
    strs=pyperclip.paste()#读取剪贴字符串
    headers={}

    if 'Mozilla' not in strs:#如果复制字符串不是请求标头
        try:
            with open('headers.json','r',encoding='utf-8') as f:#读取储存的headers
                headers=json.loads(f.read())#json文本转dict对象
        except FileNotFoundError:
            return print('请至少完整复制一次请求标头信息\n复制方法:f12-网络-f5-名称-任意一个条目-标头-请求标头-复制所有')

    if not headers:
        def stripChars(word):#strip键名的无关字符
            word=word.strip()
            for char in extraStripChars:
                word=word.strip(char)
            return word

        keysValues=[]
        for keyOrValue in strs.split(': '):#以: 和\n切分字符串
            for kOrV in keyOrValue.split('\r\n'):
                keysValues.append(stripChars(kOrV))

        for i in range(0,len(keysValues),2):#生成headers字典
            headers[keysValues[i]]=keysValues[i+1]

        if noKeys:#去除指定键值对
            popKvs=[]
            for key in noKeys.split():
                popKvs.append(f"'{key}':'{headers.pop(stripChars(key))}'")

        json_data=json.dumps(headers,ensure_ascii=False,indent=2)#dict对象转json文本 ensure_ascii让输出结果是中文而不是unicode indent缩进字符个数 值只能是 dict list int float str bool None
        with open('headers.json','w',encoding='utf-8') as h:#储存json数据
            h.write(json_data)
        print('headers信息已储存至headers.json')

        if doPrint:#打印
            print('headers={')
            for k,v in headers.items():
                print(f"'{k}':'{v}',")
            print('}')
            if popKvs:
                print('\n去除headers的键值对如下:')
                for kv in popKvs:
                    print(kv)
                print('\n')
    return headers

def getPage(page):
    params={
    'uid':1618051664,
    'page':page,#通过page刷新微博
    'feature':0,
    }
    url='https://weibo.com/ajax/statuses/mymblog?'+urlencode(params)#构造url
    try:
        response=requests.get(url,headers=headers,)#请求数据
        print(f'正在尝试爬取数据:{url}响应码:{response.status_code}')
        if response.status_code==200:
            return response.json()
    except requests.ConnectionError as e:
        print('爬取失败:',e.args)

def getLongText(urlid):
    url='https://weibo.com/ajax/statuses/longtext?id='+urlid#构造url
    try:
        response=requests.get(url,headers=headers,)#请求数据
        print(f'检测到长文本 正在尝试爬取数据:{url},响应码:{response.status_code}')
        if response.status_code==200:
            return response.json()
    except requests.ConnectionError as e:
        print('爬取失败:',e.args)

def getblogs(json):
    if json:#如果json!=None
        blogs=json.get('data').get('list')
        articleCount=len(blogs)
        articles=[]
        for blog in blogs:
            #print(blog)
            info={}#微博数据
            info['id']=blog.get('idstr')

            info['createTime']=str(parse(blog.get('created_at'))).split('+')[0]#处理时间格式

            if blog.get('isLongText'):#如果微博为长文本
                longText=getLongText(blog.get('mblogid'))
                if longText:
                    longText=longText.get('data')
                    info['text']=longText.get('longTextContent')

                    topicStruct=longText.get('topic_struct')
                    if topicStruct:
                        info['topics']=''
                        for topic in topicStruct:
                            info['topics']+=topic.get('topic_title')+' '
                    else:
                        info['topic']='无'
            else:
                info['text']=blog.get('text_raw')

            if blog.get('retweeted_status'):#如果微博含转载内容
                info['text']+='该微博含转载微博 内容略'

            if info.get('page_info'):#如果微博有视频或图片
                info['text']+='该微博含视频 或 图片 内容略'
            tagStruct=blog.get('tag_struct')
            if tagStruct:#如果有标签
                info['tags']=''
                for tag in tagStruct:
                    info['tags']+=tag.get('tag_name')+' '
            else:
                info['tags']='无'

            topicStruct=blog.get('topic_struct')
            if topicStruct:#如果该微博有主题
                info['topics']=''
                for topic in topicStruct:
                    info['topics']+=topic.get('topic_title')+' '
            else:
                info['topics']='无'

            info['likesCount']=blog.get('attitudes_count')
            info['commentsCount']=blog.get('comments_count')
            info['repostsCount']=blog.get('reposts_count')

            info['text']=info['text'].strip('')#替换一些不正常字符
            info['text']=info['text'].replace('>','>')

            if 'http' in info['text']:#如果有视频链接
                textAndUrl=info['text'].split('http')
                info['text']=textAndUrl[0]
                info['videoUrl']='http'+textAndUrl[-1]
            else:
                info['videoUrl']='无'

            articles.append(info)
        return articles

def getPageblogs(pages):#抓取pages页的所有微博的部分相关信息
    with open('blogs.txt','w',encoding='utf-8') as f:
        f.write('微博页面链接:{}\n'.format(headers['referer']))
        f.write(f'共抓取了{pages}页微博相关信息,抓取信息如下:\n\n')
        for n in range(pages):
            json=getPage(n+1)
            articles=getblogs(json)
            f.write(f'---第{n+1}页---\n')
            for i,a in enumerate(articles):
                f.write(f'---第{i+1}个微博---\n')
                f.write('微博id:{}\n'.format(a['id']))
                f.write('发布时间:{}\n'.format(a['createTime']))
                f.write('内容:{}\n'.format(a['text']))
                f.write('视频链接:{}\n'.format(a['videoUrl']))
                f.write('微博标签:{}\n'.format(a['tags']))
                f.write('微博主题:{}\n'.format(a['topics']))
                f.write('点赞数:{}\n'.format(a['likesCount']))
                f.write('评论数:{}\n'.format(a['commentsCount']))
                f.write('转载数:{}\n'.format(a['repostsCount']))
                f.write('\n')

headers=getHeaders(noKeys='path')
getPageblogs(3)

©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 218,386评论 6 506
  • 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 93,142评论 3 394
  • 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 164,704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 58,702评论 1 294
  • 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 67,716评论 6 392
  • 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 51,573评论 1 305
  • 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 40,314评论 3 418
  • 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 39,230评论 0 276
  • 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 45,680评论 1 314
  • 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 37,873评论 3 336
  • 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 39,991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 35,706评论 5 346
  • 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 41,329评论 3 330
  • 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 31,910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 33,038评论 1 270
  • 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 48,158评论 3 370
  • 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 44,941评论 2 355

推荐阅读更多精彩内容