利用Python脚本实现-----登陆新浪微博&批量下载收藏内容

今天开新浪微博，才发现收藏已然有2000+了，足足104页，貌似需要整理下了，可是一页页整理，难以想象

所以想下载，然后进行提取处理，转为文档

我们关注的：

1.微博正文+评论内容

2.图片

3.视频链接

用python实现

思路：

1.脚本模拟登陆新浪微博，保存cookie

2.有了cookie信息后，访问收藏页面url

3.从第一页开始，逐步访问，直到最后，脚本中进行了两步处理

A.直接下载网页（下载到本地，当然，要看的时候需要联网，因为js，图片神马的，都还在）

B.解析出微博需要的内容，目前只是存下来，还没有处理

后续会用lxml通过xpath读取，转换成文档，当然，图片和视频链接也会一同处理，目前未想好处理成什么格式。(困了，明后天接着写)

模拟登陆微博采用是http://www.douban.com/note/201767245/

里面很详细，直接拉来用了

步骤：

1.进入自己的微博，右侧，收藏，进入收藏页面



拿前缀



2.修改脚本填写\

用户名

密码

前缀http://weibo.com/fav?leftnav=1&wvr=3.6&page=



3.运行脚本

python weibo_collect.py

结果：



其中，带序号的，只能连网时点击打开有效

tmpcontent是包含所有微博内容信息，但目前还没有处理(还没想好提取成什么格式，容后再说)



附上脚本

[python] view plaincopyprint?

#!/usr/bin/env python

#coding=utf8

import urllib

import urllib2

import cookielib

import base64

import re

import json

import hashlib

import os

#login code from: http://www.douban.com/note/201767245/
#加了下注释

# cookie -> opener -> urllib2.

# 然后，urllib2的操作相关cookie会存在

# 所以登陆成功之后，urllib2的操作会带有cookie信息，抓网页不会跳转到登陆页

cookiejar = cookielib.LWPCookieJar()

cookie_support = urllib2.HTTPCookieProcessor(cookiejar)

opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)

urllib2.install_opener(opener)

postdata = {

'entry': 'weibo',

'gateway': '1',

'from': '',

'savestate': '7',

'userticket': '1',

'ssosimplelogin': '1',

'vsnf': '1',

'vsnval': '',

'su': '',

'service': 'miniblog',

'servertime': '',

'nonce': '',

'pwencode': 'wsse',

'sp': '',

'encoding': 'UTF-8',

'url': 'http://weibo.com/ajaxlogin.php?framelogin=1&callback=parent.sinaSSOController.feedBackUrlCallBack',

'returntype': 'META'

}

def get_servertime(): 哈尔滨网站设计 http://www.yhtd0451.com/
url = 'http://login.sina.com.cn/sso/prelogin.php?entry=weibo&callback=sinaSSOController.preloginCallBack&su=dW5kZWZpbmVk&client=ssologin.js(v1.3.18)&_=1329806375939'

data = urllib2.urlopen(url).read()

p = re.compile('\((.*)\)')

try:

json_data = p.search(data).group(1)

data = json.loads(json_data)

servertime = str(data['servertime'])

nonce = data['nonce']

return servertime, nonce

except:

print 'Get severtime error!'

return None

def get_pwd(pwd, servertime, nonce):

pwd1 = hashlib.sha1(pwd).hexdigest()

pwd2 = hashlib.sha1(pwd1).hexdigest()

pwd3_ = pwd2 + servertime + nonce

pwd3 = hashlib.sha1(pwd3_).hexdigest()

return pwd3

def get_user(username):

username_ = urllib.quote(username)

username = base64.encodestring(username_)[:-1]

return username

def login(username, pwd):

url = 'http://login.sina.com.cn/sso/login.php?client=ssologin.js(v1.3.18)'

try:

servertime, nonce = get_servertime()

except:

return

global postdata

postdata['servertime'] = servertime

postdata['nonce'] = nonce

postdata['su'] = get_user(username)

postdata['sp'] = get_pwd(pwd, servertime, nonce)

postdata = urllib.urlencode(postdata)

headers = {'User-Agent': 'Mozilla/5.0 (X11; Linux i686; rv:8.0) Gecko/20100101 Firefox/8.0'}

req = urllib2.Request(

url=url,

data=postdata,

headers=headers

)

result = urllib2.urlopen(req)

text = result.read()

p = re.compile('location\.replace\(\'(.*?)\'\)')

try:

login_url = p.search(text).group(1)

#print login_url

urllib2.urlopen(login_url)

print "登录成功!"

except:

print 'Login error!'

#收藏页网页源代码存在current，表示当前页，判断最后页

p4currentpageid = re.compile(r'page=(\d*)\\" \\n\\t\\t class=\\"current\\"')

#新增

def download(url, save_dir, frompid=1):

if not os.path.exists(save_dir):

os.mkdir(save_dir)

#os.mkdir(save_dir + os.sep + "tmp")

i = frompid

lastpage = ""

content = open(save_dir + os.sep + "tmp" + "content.txt", "w")

while True:

source_url = url + str(i)

print "Downloading.....", source_url

data = urllib2.urlopen(source_url).read()

#print data

#拿到当前页

current_pageid = p4currentpageid.findall(data)

print "Current page id: ", current_pageid

if current_pageid:

page_id = current_pageid[0]

#若是超出了，代表已经下载到最后一页了

if page_id == lastpage:

break

lastpage = page_id

#保存每一页微博主体部分，转汉字，utf-8，存文件，目前是html格式，尚未进行二次处理

lines = data.splitlines()

for line in lines:

if line.startswith('<script>STK && STK.pageletM && STK.pageletM.view({"pid":"pl_content_myFavoritesListNarrowPlus"'):

print "true"

n = line.find('html":"')

if n > 0:

j = line[n + 7: -12].encode("utf-8").decode('unicode_escape').encode("utf-8").replace("\\", "")

content.write(j)

if data:

f = open(save_dir + os.sep + str(i) + ".html", "w")

f.write(data)

f.close()

i += 1

content.close()

def trans_to_html(f_content):

f = open(f_content)

detail = f.read()

print len(detail)

#使用lxml进行处理，xpath读取对应的内容，清理转为目标格式

f.close()

username = 'your account'

pwd = 'your password'

login(username, pwd)

begin_url = "http://weibo.com/fav?leftnav=1&wvr=3.6&page="

save_dir = "./weibo_collect"

download(begin_url, save_dir)

f_content = save_dir + os.sep + "tmp" + "content.txt"

trans_to_html(f_content)