Python爬虫【一】爬取移动版“微博辟谣”账号内容(API接口)_微博半年可见爬虫

专题系列导引

  爬虫课题描述可见：

Python爬虫【零】课题介绍 – 对“微博辟谣”账号的历史微博进行数据采集

  课题解决方法：

微博移动版爬虫

Python爬虫【一】爬取移动版“微博辟谣”账号内容(API接口)

微博PC网页版爬虫

Python爬虫【二】爬取PC网页版“微博辟谣”账号内容(selenium同步单线程)
Python爬虫【三】爬取PC网页版“微博辟谣”账号内容(selenium单页面内多线程爬取内容)
Python爬虫【四】爬取PC网页版“微博辟谣”账号内容(selenium多线程异步处理多页面)

---

---

前言

  本文我们针对3G4G移动版微博网站（URL: https://m.weibo.cn），爬取"微博辟谣"的数据

一. 分析

微博辟谣的URL地址：

https://m.weibo.cn/u/1866405545?uid=1866405545&t=0&luicode=10000011&lfid=100103

微博页面效果：

爬取思路

  首先对微博辟谣网页访问和翻页时进行数据抓包，发现调用了如下接口：

接口返回数据集：

因此总结特点如下：

1. 移动版网站页面是通过js访问API接口、再渲染到html元素的方式来加载内容的。因此我们可以不管html页面展示如何，而采用直接调用后台API接口来提取数据
2. API接口中通过添加入参page=?的方式来实现不同页面数据内容的获取；新版API（2021年11月）换用了since_id=?作为入参，但也保留了page参数，两者都可实现分批按页查询的功能。since_id参数说明如下：每次API请求，返回的结果中都会保留下一页查询需要的since_id值；当翻页时，下一次API调用传入的since_id即为此since_id。所以我们可以通过更换此参数不断的实现分页爬取

二. 处理流程

  整个微博移动版的爬取流程，可总结为以下四步：

1. 创建用来保存数据的DataFrame对象：excel_df
2. 从第一页开始，访问当前页面的API接口，获取微博数据并提取相关字段，存入df中
3. 不断的向后请求每一页的API接口，重复上面的提取数据和存df操作，直到最后一页
4. 将整个excel_df数据写入excel中
1
2
3
4

三. 代码实现

1. 项目结构

  Python爬虫工程使用requests模块请求API接口。因为整体功能比较简单，所以使用面向过程的设计模式，用函数调用串联整个业务。
  工程结构如下：

• 创建m_crawler.py模块，定义爬取流程所需要的几个函数

以上处理模块，放在名为m包中

• 因为DataFrame数据写excel比较基础，所以我们将它设计为一个工具方法。定义一个util.py模块，将工具方法都写入此模块中
• 项目中URL、写入地址、表头等配置变量比较多，因此将他们写入property.py文件

以上两个公共模块，放在名为common的包中

• 在项目下创建一个名为excel的文件夹，将最终的导出结果文件存于其中
• main.py作为整个项目的启动入口

最终项目结构如下图：

2. main.py

  main.py为程序入口，启动工程时首先从这里开始执行。因为我们的串联类为CrawlHandle，并且需要Crawler做为入参，因此main.py中代码设计如下：

if __name__ == '__main__':
    # 移动版微博爬取
    m_crawler.crawler_m_weibo_write_excel()
1
2
3

3. m_crawler.py模块

1. crawler_m_weibo_write_excel()函数

  def crawler_m_weibo_write_excel()为爬取处理主函数，根据上面的设计，功能是串联整个爬取的流程，设计如下：

def crawler_m_weibo_write_excel():
    """
    主方法：从m移动端微博中读取数据，整理并存入指定excel
    :return:
    """
    # 定义空df，以装载处理完的数据
    excel_df = DataFrame(columns=EXCEL_COLUMNS)
    try:
        # 无线循环不断向后翻页查询，直到查至微博最后一页
        # 发现问题：移动版微博设置了只能拉取2000条数据，超过200条数据，since_id不会再返回；入参用page传参也是如此。此问题已在页面上尝试，m微博确实只能下拉2000条数据
        page = 1  # 页面计数
        while True:
            # 1. 爬取微博数据
            json_cards = get_weibo_info_by_page(page)
            # 爬不到时退出爬取循环
            if len(json_cards) == 0:
                print("已爬取到微博最后一页，退出爬虫循环...")
                break
            # 2. 解析页面返回的json数据 整理为特定格式的list并返回
            parse_json_list = list(parse_result_2_list(json_cards))
            print("爬取第 %s 页，爬取有效微博数: %s" % (page, len(parse_json_list)))

            # 3. 将此轮爬取的微博数据添加到df数据表末端
            excel_df = excel_df.append(parse_json_list)
            # 页数加1
            page += 1
            # 最好让程序睡眠一段时间，防止微博服务器认为在恶意爬取，封禁IP
            time.sleep(0.5)
    except Exception as e:
        print("爬虫程序报错，可能出现问题，请检查！", e)

    # 4. 爬取完所有数据后，进行写文档操作
    util.write_excel(excel_df, M_WB_EXCEL_PATH)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

  那么接下来的重点就是补充完这五部分的方法代码细节，定义相关的类或者方法

2. get_weibo_info_by_page()函数

上面调用的"分页抓取微博数据"功能，封装了函数def get_weibo_info_by_page()，编写如下：

def get_weibo_info_by_page(page):
    """
    分页抓取微博数据
    :return:
    """

    # 拼接接口入参
    m_wb_request_params['page'] = page
    # 拼装完整的请求URL
    url = M_WB_URL + urlencode(m_wb_request_params)
    # print("请求URL: %s" % url)

    try:
        # get请求接口，返回结果为json结构数据
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            # 打印返回值，用于调试
            # print("请求得到的response==%s" % response.text)
            # 转json
            response_json = response.json()
            # 取json中的cards, 为array_list
            cards = response_json.get('data').get('cards')
            # print("提取到的cards属性：%s" % cards)
            return cards
    except requests.ConnectionError as e:
        print('爬取错误', e.args)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

3. parse_result_2_list()函数

  将API请求的结果json提取必要的字段，封装入df的逻辑，封装为函数def parse_result_2_list()：

def parse_result_2_list(json_cards):
    """
    解析页面返回的json数据 整理为特定格式的list并返回
    :return:
    """

    # 循环所有cards，依次处理
    for card in json_cards:
        # card_type == 9 为微博正文内容，取出分析
        if card.get('card_type') == 9:
            # 取mblog
            mblog = card.get('mblog')

            # “微博辟谣”账号发微博时输入的文字内容
            # wb_text = mblog.get('raw_text')   # 老方法，2021年已不可用
            # 新方法
            bs = BeautifulSoup(mblog.get('text'), "html.parser")
            wb_text = bs.get_text()
            
            # 剔除月度工作报告信息
            if '月度工作报告' in wb_text:
                # 剔除月度工作报告，可打印日志分析剔除结果，以防有误判删除掉有用信息
                print("剔除月度报告： %s" % mblog.get('raw_text'))
                continue

            # card转换整理后的json结果
            etl_json = {}

            # "微博辟谣"此条微博的id
            wb_id = mblog.get("id")
            # 微博名，这里为“微博辟谣”
            wb_name = mblog.get('user').get("screen_name")
            # “微博辟谣”账号发微博时微博时间
            wb_time = util.parse_time(mblog.get('created_at'))
            # 本微博转发数，若为文章“转发”，则说明还没人转，设为0
            wb_repost_count = mblog.get('reposts_count')
            # set值
            etl_json['WB_id'] = wb_id
            etl_json['WB_name'] = wb_name
            etl_json['WB_text'] = wb_text
            etl_json['WB_time'] = wb_time
            etl_json['WB_repost_count'] = wb_repost_count

            # mblog中若有属性 retweeted_status 说明是转发
            if mblog.get('retweeted_status'):
                weibo_info = mblog.get('retweeted_status')
                """ 当出现特殊情况无法爬取内容时的处理办法，目前处理办法是：忽略此条微博，跳过 """
                # 被设为不可见，因此无法爬取（包括原作者设为自己可见、半年内可见等情况）
                if weibo_info['visible']['type'] != 0 or weibo_info['visible']['list_id'] != 0:
                    print("以下博客已被设为不可见，不可爬取：%s" % weibo_info)
                    continue
                # 微博账号被删除z包括自己注销、被查封注销等情况）
                if 'deleted' in weibo_info:
                    print("以下博客已被删除，不可爬取：%s" % weibo_info)
                    continue

                # 原微博的id
                wb_id_org = weibo_info.get("id")
                # 原微博号名称
                wb_name_org = weibo_info.get('user').get("screen_name")
                # 原账号发微博时微博时间
                wb_time_org = util.parse_time(weibo_info.get('created_at'))
                # 原微博转发数
                wb_repost_count_org = weibo_info.get('reposts_count')

                etl_json['WB_id_org'] = wb_id_org
                etl_json['WB_name_org'] = wb_name_org
                etl_json['WB_time_org'] = wb_time_org
                etl_json['WB_repost_count_org'] = wb_repost_count_org

                etl_json['type'] = "转发"
                etl_json['weibo_name'] = wb_name_org
                etl_json['time'] = wb_time_org
                etl_json['repost_count'] = wb_repost_count_org

                # 原微博发微时输入的文字内容
                wb_text_org = weibo_info.get('raw_text')
                # 如果文章没有全部展开，则再次提取微博数据
                if ">全文<" in weibo_info.get("text"):
                    wb_long_text_org = util.get_weibo_long_text(wb_id_org)
                    # etl_json['wb_long_text_org'] = wb_long_text_org
                    # 替换文本
                    if wb_long_text_org is not None or wb_long_text_org != "":
                        wb_text_org = wb_long_text_org
                etl_json['WB_text_org'] = wb_text_org
                etl_json['text'] = wb_text_org

            else:
                etl_json['type'] = "原创"
                etl_json['weibo_name'] = wb_name
                etl_json['text'] = wb_text
                etl_json['time'] = wb_time
                etl_json['repost_count'] = wb_repost_count

            yield etl_json

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96

因为每个API接口会请求多条微博数据，因此入参是个list； 函数中用yield关键字返回一个迭代，但我们需要的是类型为list的结果，所以调用时，直接用list()做转换，就可得到此函数迭代执行后的结果list。

4. util.py模块

此模块为工具模块，用到的方法有

def get_weibo_long_text(id):
    """
    通过id获取微博长文本
    :return:
    """

    # 拼装完整的请求URL
    url = M_WB_LONG_TEXT_URL % id
    # print("长文本请求URL: %s" % url)

    try:
        # get请求接口，返回结果为json结构数据
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            # 打印返回值，用于调试
            # print("长文本请求得到的response: %s" % response.text)
            # 转json
            response_json = response.json()
            # 提取长文本
            long_text = response_json.get('data').get('longTextContent')
            # print("提取到的long_text：%s" % long_text)

            # 将长文本用bs4转换为纯文字
            html_soup = BeautifulSoup(long_text)
            text = html_soup.get_text()

            if text:
                pass
            else:
                print("！调用接口查询长文本出错！ URL = %s ,response= %s" % (url, response.text))
            return text
    except Exception as e:
        print('爬取长文本错误')
        traceback.print_exc()


def write_excel(excel_df, excel_path):
    """
    将结果写入Excel
    :param excel_df:
    :param excel_path:
    :return:
    """

    print("开始写入Excel文档：文档名称 %s" % excel_path)
    excel_df.to_excel(excel_path, index=False)
    # 如果只想要前四列，则用下面的语句：
    # excel_df[excel_columns[:4]].to_excel(excel_path, index=False)
    print("写入Excel文档成功！")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

主要是用来请求全文，还有些Excel的工具方法

结束

  以上整个爬虫项目编写完毕，只有配置变量和用到的工具方法没有贴出，具体实现可见源代码

四. 爬虫执行

1. 执行过程

当程序执行后，可以看到依次爬取每页微博数据，一页中有25条数据，会空过已删除、不可见、月报告的微博

2. 执行结果

    最后爬取存入excel的结果如下，前四列即为课题要求的结果。
日期笔者在2020年12月时为yyyy-MM-dd的格式，2021年3月19日重试时，返回结果改为了日期字符串，这里可以用日期转换工具类做转换，format日期值，博主此处省略

五. 问题总结

1. 为了防止过快访问被微博服务器检测到恶意爬取，最好每次调用完成处理后，等待1s左右的时间（如果能用ip池做代理绕开服务器爬取检测更好）
2. 移动版微博API设置了只能拉取2000条数据（前80页）。超过2000条数据，since_id不会再返回；接口入参用page传参也是如此，因此数据不全问题无法回避。
3. 上述问题的解决办法只能更改数据爬取渠道，使用爬取PC网页版来完成全量数据爬取目标。在后面的【二】【三】【四】中即可看到实现方式
4. 因为爬取移动版微博是调用API接口，所以速度快，稳定性好，可靠性高。每页微博25条数据大概平均用时6秒，总共80页数据用时480秒，约8分钟。折合到微博辟谣45*240条的总量(通过PC版统计)，估计全量爬取用时大约0.7小时
5. 微博API接口和页面格式、字段、日期表示一直有变化，博主程序满足当前（2021年3月）的微博设计情况；若有变化读者需要根据实际情况进行改造

---

执行程序

项目工程编译了windows版本执行程序：微博数据采集python+selenium执行程序：WBCrawler.exe

1. 执行项目前，需要下载selenium对应的浏览器驱动程序（driver.exe），并放在本机环境变量路径中，否则会报错。安装操作具体可见博客专题中的指导【二】

2. 执行程序时，会在系统用户默认路径下，创建一个虚拟的python环境（我的路径是C:\Users\Albert\AppData\Local\Temp_MEI124882\），因此启动项目所需时间较长（约20秒后屏幕才有反应，打出提示），请耐心等待；也正因如此，执行电脑本身环境是可以无需安装python和selenium依赖包的；同时最后爬取保存的excel也在此文件夹下。

3. 本项目采用cmd交互方式执行，因此等到屏幕显示：

    选择爬取方式：
    1. 移动版微博爬取
    2. PC网页版微博爬取(单线程)
    3. PC网页版微博爬取(页面内多线程)
    4. PC网页版微博爬取(多线程异步处理多页面)
   1
   2
   3
   4
   5

后，用键盘输入1~4，敲回车执行

4. 此exe编译时，工程代码内编写的最终excel记录保存地址为：相对工程根路径下的excel文件夹；因此当本exe执行到最后保存数据时，会因为此excel文件夹路径不存在而报错。若在工程中将保存地址改为绝对路径（例如D:\excel\），再编译生成exe执行，则最终爬取数据可以正确保存

---

项目工程

工程参见：微博数据采集python+selenium工程：WBCrawler.zip

本专题内对源码粘贴和分析已经比较全面和清楚了，可以满足读者基本的学习要求。源码资源为抛砖引玉，也只是多了配置文件和一些工具方法而已，仅为赶时间速成的同学提供完整的项目案例。大家按需选择

---