python爬虫入门 实战（四）---爬“榜姐”话题微博及热门评论

（声明：该文章只作学习探讨，爬取内容不用作任何商业目的。）

经常混微博的同学应该知道“榜姐”（微博搞笑排行榜），她经常会在深夜发一些话题让粉丝自由发挥，一般来说这些微博的质量都比较高，这篇的需求就是爬取这些话题微博以及热门评论。

图1.榜姐的微博

涉及知识：

1、request的基本使用

2、json解析

3、正则匹配

4、xpath的string函数过滤多余标签

本篇目录：

绕过登录访问博主的主页
寻找获取微博内容的api
寻找获取某条微博的所有评论的api
思路
完整代码
输出示例：（按Markdown格式的输出）
参阅

绕过登录访问博主的主页

一般pc站信息比较全，但同时也不太容易爬取，因为一些登录验证的问题或者其他原因。所以一般写爬虫，pc站比较困难的时候，我们可以选择m站或者wap站。

这篇我们就爬取微博的m站，也就是移动端的站点m.weibo.cn。我们选择它的一个重要原因就是，可以不用登录。例如，要访问某博主（这里以“榜姐”为例）的微博主页，只需要访问：

m.weibo.cn/u/1713926427

u是user的意思，后面的数字就是她的用户id。我们可以通过在pc端自己手动登录，搜索某个博主，访问其主页时，按F12打开Network抓包找到id号码。如图：

图2.找到用户id

这是通用的方法，因为“榜姐”有个性域名，所以需要这样找，其他没有个性域名的用户，通过搜索找到以后，其实不难发现搜索结果上的博客地址里就有用户id。

寻找获取微博内容的api

找到用户id后，我们用来访问m站，在Network搜索api发现有两个已经发送的api请求。

图3.榜姐微博主页

此时在“主页”页面，我们点击“微博”，会发现又发送了一个api请求，这就是我们要找的获取所有微博的api。就是下图中containerid是107开头的这条，我们点击查看一下详细信息。

图4.新发送的api请求

在右边选择preview预览一下json，可以发现在cards中任选一个card，其中的mblog标签下果然有我们要的博文数据。说明这就是我们要找的api。

图5.找到第一个api

（注：在cardlistInfo标签下，可以发现这个第一页对应的page值是2，说明page是从2开始的，之后会用到page参数来翻页。同时注意一下这个scheme里的url，之后会讲到。）

接下来我们来分析一下这个api的参数，很明显这是一个用get方式发送的请求，从headers里也可以看到请求方式是GET。所以只需要分析？后面这些参数就可以了。

https://m.weibo.cn/api/container/getIndex?type=uid&value=1713926427&containerid=1076031713926427

显然type=uid肯定是不变的，value=1713926427就是用户的id值，经过对比也可以发现后面的containerid其实只是107603后跟着用户id。多验证几个用户会发现确实如此。

寻找获取某条微博的所有评论的api

看到之前提到的scheme，将它的url复制粘贴到地址栏访问，可以发现是进入到了这条微博，在Network搜索api发现我们需要的获取评论的api。

图6.找到第二个api

分析一下第二个api的参数（在控制台里对api右键可以copy这条url）

https://m.weibo.cn/api/comments/show?id=4112893156959108&page=1

显而易见，id就是该条微博的id，page是评论的翻页参数。

思路

获得了两个api，我们接下来就要写代码进行爬取了。思路很清晰：
1、获取目标博主id。

2、根据博主id，用第一个api获取指定页的微博的json返回（包括内容和对应id）。

3、根据微博id，用第二个api获取评论的json返回。

4、解析json即可。这里推荐一个比较好用的在线解析json的网站:
json.cn 。当然，你也可以在控制台的Network里用Preview对json进行预览。

完整代码

细节见注释~

# -*- coding:utf-8 -*-
'''
Created on 2017年5月30日

@author: wycheng
'''
from lxml import html
import requests
import json
import re

class CrawlWeibo:

# 获取指定博主的所有微博card的list
def getWeibo(self,id,page):#id（字符串类型）：博主的用户id，page（整型）：微博翻页参数

url='https://m.weibo.cn/api/container/getIndex?type=uid&value='+id+'&containerid=107603'+id+'&page='+str(page)
response=requests.get(url)
ob_json=json.loads(response.text)

list_cards=ob_json['cards']
return list_cards# 返回本页所有的cards

# 返回某条微博的热门评论的list
def getComments(self,id,page):# id（字符串类型）：某条微博的id，page（整型）：评论翻页参数
url='https://m.weibo.cn/api/comments/show?id='+id+'&page='+str(page)
response=requests.get(url)
ob_json=json.loads(response.text)

list_comments=ob_json['hot_data']
return list_comments

def printAllTopic(self,page):
list_cards=self.getWeibo('1713926427',page)
# 遍历当页所有微博，输出内容，并根据id查找输出热门评论
for card in list_cards:
if card['card_type']==9:# 过滤出微博，card_type=9的是微博card，card_type=11的是推荐有趣的人
id=card['mblog']['id']
text=card['mblog']['text']
if re.search('___', text)!=None:# 用正则匹配，将博文有下划线的微博过滤出来，有下划线的是“话题微博”
print '***'
print u"### 话题: "+text+'\n'

#根据微博id获取热门评论，并输出
list_comments=crawl_weibo.getComments(id, 1)# 热门评论只需要访问第一页
count_hotcomments=1
for comment in list_comments:
created_at=comment['created_at']# 发表日期时间
like_counts=comment['like_counts']# 点赞数

text=comment['text']# 评论内容
tree=html.fromstring(text)
text=tree.xpath('string(.)')# 用string函数过滤掉多余标签

name_user=comment['user']['screen_name']# 评论者的用户名

source=comment['source']# 来源于哪个终端
if source=='':
source=u'未知'

pic_url=''# 评论内容的图片
if 'pic' in comment:
pic_url=comment['pic']['url']

# 输出评论数据
print str(count_hotcomments),': **',name_user,'**',u'  **发表于：**'+created_at,u'  **点赞：**'+str(like_counts)+u'  **来自：**'+source
print text+'\n'
count_hotcomments=count_hotcomments+1
print '***'

#实例化爬虫类并调用成员方法进行输出
crawl_weibo=CrawlWeibo()
crawl_weibo.printAllTopic(2)# 只输出一页进行示例展示

输出示例：（按Markdown格式的输出）

话题: 你是在什么时候决定放弃一个人的 _ ​​​

1 : 沢与樹 发表于：05-29 00:00 点赞：65690 来自：iPhone 6s

“当我点开这条微博的时候，我就知道我还没放弃”

2 : 华水第一帅 发表于：05-29 00:41 点赞：35305 来自：红米Note 3

带上你的备注，滚回你的大众分组。

3 : 关键我叫梅仁耀丶 发表于：05-29 00:00 点赞：49771
来自：未知

她恋爱了。

4 : 圈儿大王 发表于：05-29 00:00 点赞：46084 来自：未知

发现自己爱他卑微到没有了自尊，终于攒够了失望，狠心决定还是离开吧。一瞬间心如刀绞，一瞬间如释重负。有关于你，绝口不提，但如果有下次，可不可以换你，爱我到疯掉

5 : 饭真的好好吃啊 发表于：05-29 00:08 点赞：37621
来自：猫吃了那个iPhone

“你哭够了没有，哭够了我挂电话了。”

6 : 你猜我是不是你妈啊 发表于：05-29 00:03 点赞：35029
来自：vivo X5·K歌之王

3分钟两万评论 被爱的那两万人真幸福

7 : 纳达斯克 发表于：05-29 00:00 点赞：30216 来自：未知

真心喜欢的人好像从来都放弃不了

8 : qqyyhh丶 发表于：05-29 00:02 点赞：25563
来自：iPhone 6

每次失望一次，我就少做一件爱你的事，直到最后备注改成全名。取消特别关注，上线不主动找你，收起你送的东西，删掉你所有的照片，再也不偷偷看你的时候，就是该说再见的时候了。

参阅

免登录新浪微博爬虫系列之第一篇 单博主微博及评论数据

作者：王雨城

链接：http://www.jianshu.com/p/cc72f42ee0cb

來源：简书

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。