月薪25K的萌新程序员基于python爬取新浪微博的内容和评论！牛逼

概述前言在nlp方面，经常会遇到没有语料或者语料不足的问题，例如构建聊天对话系统或者问答系统，需要大量的语料和问答对。而新浪微博作为一个非常不错的博客社交互动平台，提供了最活跃、最丰富的语料，因此这里首选新 前言

在nlp方面，经常会遇到没有语料或者语料不足的问题，例如构建聊天对话系统或者问答系统，需要大量的语料和问答对。而新浪微博作为一个非常不错的博客社交互动平台，提供了最活跃、最丰富的语料，因此这里首选新浪微博进行爬取。另外现在很多博客文章提供了一些通用的爬取工具和方法，但没有深入到具体哪个web网站进行爬取，笔者是非常反感的，业余爬取数据就需要快、可行，尽量节省时间。这里会提供思路和开源代码( 微博数据爬取 )，欢迎大家关注我的知乎 探究极简之道 并star。

爬取内容和策略

这里先从简单开始，先爬取某个大V的微博。举例：爬取微博名为"思想聚焦"(微博ID: 1742566624)，微博内容都是心灵鸡汤，还是挺受用的~

基于模拟登陆来保存cookie，抓取指定web内容。 未登录新浪微博的情况下，是可以通过网址查看一个用户的首页，但是不能进一步查看该用户的关注和粉丝等信息，如果点击关注和粉丝，就会重定向回到登录页面。因此通过selenium模拟登陆保存cookie，在请求抓取其他页面时在headers中加入cookie信息，就可以抓取了。

这里需要通过selenium webdriver启动浏览器firefox，因此系统需要安装firefox，另外需要下载驱动geckodrive，下载地址为： https://github.com/mozilla/geckodriver/releases/

import osimport timeimport picklefrom tqdm import *from selenium import webdriverfrom web_crawl.weibo_crawl.settings import config# 方便完全加载登录页面def count_time():    for i in tqdm(range(40)):        time.sleep(0.5)driver = webdriver.firefox(executable_path = "C:drivergeckodriver.exe")driver.set_window_size(1640,688)driver.get(config.LOGIN_URL)# 在获取elment之前等待4s，等待页面渲染count_time()# 登录driver.find_element_by_xpath('//input[@ID="loginname"]').send_keys(config.ACCOUNT_ID)driver.find_element_by_xpath('//input[@ID="loginPassword"]').send_keys(config.ACCOUNT_PASSWORD)print('account ID: {}'.format(config.ACCOUNT_ID))print('account password: {}'.format(config.ACCOUNT_PASSWORD))driver.find_element_by_xpath('//a[@ID="loginAction"]').click()# 获取cookie，并保存cookie。def save_cookile():    try:        cookie_List = driver.get_cookies()        print(cookie_List)        cookie_string = ''        for cookie in cookie_List:            if 'name' in cookie and 'value' in cookie:                cookie_string += cookie['name'] + '=' + cookie['value'] + ';'        print(cookie_string)        if 'SSologinState' in cookie_string:            print("成功获取cookie!{}".format(cookie_string))            if os.path.exists(config.cookie_SAVE_PATH):                os.remove(config.cookie_SAVE_PATH)            cookie_dict = {}            cookie_dict[config.ACCOUNT_ID] = cookie_string            with open(config.cookie_SAVE_PATH,"wb") as f:                pickle.dump(cookie_dict,f)            print("成功保存cookie到文件{}".format(config.cookie_SAVE_PATH))    except Exception as e:        print(e)if __name__ == '__main__':    save_cookile()

Python很容易学！小编有弄一个交流，互问互答，资源共享的交流学习基地，如果你也是Python的学习者或者大牛都欢迎你来！㪊：548+377+875！一起 学习共同进步！

确定爬取内容 1）爬取微博的基本信息，获取微博名、关注数、总微博数、粉丝数以及页数 注意爬取xpath路径： 例如爬取微博名： //div/table//div/span[@class='ctt']/text()

# 获取微博的基本信息 def get_weibo_baisc_info(self): crawl_url = 'http://weibo.cn/%s?filter=%s&page=1' % (self.scrap_ID,self.filter_flag) print("抓取的页面是: {}".format(crawl_url)) HTML = requests.get(crawl_url,cookies=self.cookie,headers=self.headers).content # 获取微博内容 print("" + "-" * 30) print("准备获取微博内容：") selector = etree.HTML(HTML) try: # 获取微博名 self.user_name = selector.xpath("//div/table//div/span[@class='ctt']/text()")[0] # print("user_name: ",user_name) # 获取微博其他信息 # 总微博数 weibo_num = selector.xpath("//div/span[@class='tc']/text()")[0] self.weibo_num = pattern.findall(weibo_num)[0] # print("weibo_num: ",weibo_num) # 关注数 gz_num = selector.xpath("//div[@class='tip2']/a/text()")[0] self.gz_num = pattern.findall(gz_num)[0] # print("gz_num: ",gz_num) # 粉丝数 fs_num = selector.xpath("//div[@class='tip2']/a/text()")[1] self.fs_num = pattern.findall(fs_num)[0] # print("fs_num: ",fs_num) print('当前新浪微博用户{}已经发布的微博数为{},他目前关注{}了微博用户,粉丝数有 {}'.format(self.user_name,self.weibo_num,self.gz_num,self.fs_num)) if selector.xpath("//*[@ID='Pagelist']/form/div/input[1]") is None: page_num = 1 else: # page_num = List(selector.xpath("//*[@ID='Pagelist']/form/div/input[1]")[0].attrib.iteritems()) # [('name','mp'),('type','hIDden'),('value','14483')] # 注意抓取的是字符类型 self.page_num = int(selector.xpath("//*[@ID='Pagelist']/form/div/input[1]")[0].attrib["value"]) print("总共的微博页数: ",self.page_num) return self.user_name,self.fs_num,self.page_num except Exception as e: logging.error(e)

爬取微博内容 注意到爬取微博内容，会遇到"全文"展开问题，做法是先去监测每条微博是否包含"全文"，如果有，则对应抓取链接信息，然后基于链接，再抓取全文内容。 注意在遇到“全文”展开爬取xpath路径： 例如如下微博内容：

对应的DOM为：

做法： 1） 获取包含“全文”的xpath路径，返回List "div/span[@class='ctt']/a/text()" 2） 判断是否包含“全文”，若包含，则提取全文对应的链接，然后再通过链接去解析获取微博内容。

if "全文" in quanwen_string: index = quanwen_string.index("全文") # print(index) quanwen_url = content[i].xpath("div/span[@class='ctt']/a[%d]/@href" % (index+1))[0] # print(quanwen_url) quanwen_url = "https://weibo.cn" + quanwen_url # print(quanwen_url) HTML_quanwen = requests.get(url=quanwen_url,headers=self.headers).content selector_quanwen = etree.HTML(HTML_quanwen) weibo_text = selector_quanwen.xpath("//div/div/span[@class='ctt']")[0] # weibo_text = weibo_text.xpath("text()")[0] weibo_text = "".join(weibo_text.xpath("text()"))

具体的爬取微博内容的整体代码如下：

def get_weibo_content(self): # # 获取微博基本信息 # user_name,weibo_num,gz_num,fs_num,total_page_num = self.get_weibo_baisc_info() total_page_num = self.page_num try: start_page = 0 # 判断之前是否抓取过，若抓取过判断是否可以增量抓取 if os.path.exists(self.weibo_content_save_file): with open(self.weibo_content_save_file,"rb") as f: content_dict = pickle.load(f) if self.scrap_ID in content_dict.keys(): wb_content = content_dict[self.scrap_ID]['weibo_content'] start_page = content_dict[self.scrap_ID]['last_scrap_page'] # 总页数大于上次之前抓取的页数，因为最新的微博是在第一页，因此抓取的区间位于[0,page_num - start_page] if total_page_num >= start_page: print("之前已经抓取过，现在开始增量抓取。。。") start_page = 0 page_num = total_page_num - start_page else: page_num = total_page_num else: page_num = total_page_num # 开始进行抓取 try: # for page in range(start_page + 1,page_num + 1): for page in range(start_page + 1,page_num + 1): url = 'http://weibo.cn/%s?filter=%s&page=%s' % (str(self.scrap_ID),str(self.filter_flag),str(page)) HTML_other = requests.get(url=url,headers=self.headers).content selector_other = etree.HTML(HTML_other) content = selector_other.xpath("//div[@class='c']") print("***************************************************") print("当前解析的是第{}页，总共{}页".format(page,page_num)) # 每5页暂停一会，防止被禁 if page % 5 == 0: print("等待{}s，以免微博被禁！".format(self.rest_time)) time.sleep(self.rest_time) # 只有10条数据，但是抓取有12条数据，因此需要进行删除 if len(content) > 3: for i in range(0,len(content) - 2): # 抓取的微博条数 self.weibo_scraped += 1 # 获取加密后的ID,方便后续提取评论等数据 detail = content[i].xpath("@ID")[0] comment_url = 'http://weibo.cn/comment/{}?uID={}&rl=0'.format(detail.split('_')[-1],self.scrap_ID) self.weibo_comment_detail_urls.append(comment_url) # print("div/a/text(): ",content[i].xpath("div/a/text()")) # div/a/text(): ['赞[15]','转发[4]','评论[8]','收藏'] # 点赞数 num_zan = content[i].xpath('div/a/text()')[-4] num_zan = pattern.findall(num_zan)[0] self.weibo_num_zan_List.append(num_zan) # 转发数 num_forward = content[i].xpath('div/a/text()')[-3] num_forward = pattern.findall(num_forward)[0] self.weibo_num_forward_List.append(num_forward) # 评论数 num_comment = content[i].xpath('div/a/text()')[-2] num_comment = pattern.findall(num_comment)[0] self.weibo_num_comment_List.append(num_comment) # 判断全文是否展开 quanwen_string = content[i].xpath("div/span[@class='ctt']/a/text()") # print("quanwen_string: ",quanwen_string) if "全文" in quanwen_string: index = quanwen_string.index("全文") # print(index) quanwen_url = content[i].xpath("div/span[@class='ctt']/a[%d]/@href" % (index+1))[0] # print(quanwen_url) quanwen_url = "https://weibo.cn" + quanwen_url # print(quanwen_url) HTML_quanwen = requests.get(url=quanwen_url,headers=self.headers).content selector_quanwen = etree.HTML(HTML_quanwen) weibo_text = selector_quanwen.xpath("//div/div/span[@class='ctt']")[0] # weibo_text = weibo_text.xpath("text()")[0] weibo_text = "".join(weibo_text.xpath("text()")) self.weibo_content.append(weibo_text) # print("1") print("weibo_text: ",weibo_text) # print("DONE!") else: weibo_text = content[i].xpath("div/span[@class='ctt']")[0] # 获取当前节点文本 weibo_text = weibo_text.xpath("string(.)") self.weibo_content.append(weibo_text) # print(2) print("weibo_text: ",weibo_text) # print("DONE!") self.save_weibo_content(self.user_name,self.weibo_content,page) except etree.XMLSyntaxError as e: print("*" * 20) print('=' * 20) print("微博用户{}的所有微博已经爬取!".format(self.user_name)) print("总共发了{}条微博，总的点赞数{}，总的转发数{}，总的收藏数{}".format(len(self.weibo_content),np.sum(self.weibo_num_zan_List),np.sum(self.weibo_num_forward_List),np.sum(self.weibo_num_comment_List))) # 保存微博内容 self.save_weibo_content(self.user_name,total_page_num) except Exception as e: logging.error(e) print('' * 2) print('=' * 20) print('微博用户 {} 出现内容抓取错误 {}.'.format(self.user_name,e)) print("总共发了{}条微博，总的点赞数{}，总的转发数{}，总的收藏数{}".format(len(self.weibo_content),np.sum(self.weibo_num_comment_List))) print('现在尝试保存微博内容...') self.save_weibo_content(self.user_name,page) print('' * 2) print('=' * 20) print("总共发了{}条微博，总的点赞数{}，总的转发数{}，总的收藏数{}".format(len(self.weibo_content),np.sum(self.weibo_num_comment_List))) print('尝试保存微博内容...') # self.save_weibo_content(self.user_name,page) del self.weibo_content if self.filter_flag == 0: print('共' + str(self.weibo_scraped) + '条微博') else: print('共' + str(self.weibo_num) + '条微博，其中' + str(self.weibo_scraped) + '条为原创微博') except IndexError as e: print('已经获取完微博信息,当前微博用户{}还没有发布微博.'.format(self.scrap_ID)) except KeyboardInterrupt: print('手动中止... 现在保存微博内容！') self.save_weibo_content(self.user_name,page - 1)

爬取微博内容的结果如下：

'#小情书# 尽管你有很多坏习惯，但这就是...我喜欢的你啊。[心]http://t.cn/Rif3Kfj \u200b\u200b\u200b','有故事的照片，那些让你看到后就会微笑的美好瞬间。 \u200b\u200b\u200b\u200b[心][心] \u200b\u200b\u200b','宋小宝绝对是被小品耽误了的喊麦小王子，幸亏被#食在囧途#给发掘出来了，在马路上千万不要随便听这首#我就这么虎#，否则走路如果走出“全世界劳资最牛X“的姿势，别怪自己莫名其妙被人打一顿……[doge]http://t.cn/RiXMprG \u200b\u200b\u200b','4个月大的宝宝Matthew，由于病毒感染导致耳朵失聪。这是他第一次听见声音，表情大亮。[心]秒拍视频 \u200b\u200b\u200b','#醒醒我的小公主#乐此不疲的嘻嘻哈哈，无休无止的加班，每个女汉子心里，其实都有个公主梦。 \u200b\u200b\u200b','与你无缘的人，你与他说话再多也是废话。与你有缘的人，你的存在就能惊醒他所有的感觉。有些人即使在认识数年之后都是陌生的，彼此之间总似有一种隔膜存在，仿佛盛开在彼岸的花朵，遥遥相对，不可触及。而有些人在出场的一瞬间就是靠近的，仿佛散失之后再次辨认。那种近，有着温暖真实的质感。 \u200b\u200b\u200b','抱歉，此微博已被作者删除。查看帮助：http://t.cn/Rfd3rQV','“你喜欢的人也是凡人，你的喜欢为他镀上金身。” \u200b\u200b\u200b','#三亚汇爱婚礼# 春暖花开，海风习习。蓝天白云下繁花似锦、万紫千红、缤纷浪漫；白如雪、粉如樱、紫如霞。芬芳馥郁的花儿一如你的笑靥清新可人，温婉甜美。十指相扣便是良辰，愿携你手阅尽人生芳华。布置于三亚艾迪逊酒店 \u200b\u200b\u200b','什么样的长相是丑好看逆天？[doge] \u200b\u200b\u200b','异地恋最大的惊喜，也许就是突然对方出现在你面前吧~[心]

爬取微博内容和评论

# 抓取微博正文和评论并保存到mongodb中 def get_content_and_comment_to_db(self,limit=10): # 开始进行抓取,出于简单考虑这里不考虑抓取过 start_page = 0 try: for page in range(start_page + 1,self.page_num + 1): url = 'http://weibo.cn/%s?filter=%s&page=%s' % (str(self.scrap_ID),self.page_num)) # 每5页暂停一会，防止被禁 if page % 5 == 0: print("等待{}s，以免微博被禁！".format(self.rest_time)) time.sleep(self.rest_time) # 只有10条数据，但是抓取有12条数据，因此需要进行删除 if len(content) > 3: for i in range(0,self.scrap_ID) self.weibo_comment_detail_urls.append(comment_url) # 点赞数 num_zan = content[i].xpath('div/a/text()')[-4] num_zan = pattern.findall(num_zan)[0] self.weibo_num_zan_List.append(num_zan) # 转发数 num_forward = content[i].xpath('div/a/text()')[-3] num_forward = pattern.findall(num_forward)[0] self.weibo_num_forward_List.append(num_forward) # 评论数 num_comment = content[i].xpath('div/a/text()')[-2] num_comment = pattern.findall(num_comment)[0] self.weibo_num_comment_List.append(num_comment) # 判断全文是否展开 quanwen_string = content[i].xpath("div/span[@class='ctt']/a/text()") if "全文" in quanwen_string: index = quanwen_string.index("全文") quanwen_url = content[i].xpath("div/span[@class='ctt']/a[%d]/@href" % (index + 1))[0] quanwen_url = "https://weibo.cn" + quanwen_url HTML_quanwen = requests.get(url=quanwen_url,headers=self.headers).content selector_quanwen = etree.HTML(HTML_quanwen) weibo_text = selector_quanwen.xpath("//div/div/span[@class='ctt']")[0] weibo_text = "".join(weibo_text.xpath("text()")) self.weibo_content.append(weibo_text) else: weibo_text = content[i].xpath("div/span[@class='ctt']")[0] # 获取当前节点文本 weibo_text = weibo_text.xpath("string(.)") self.weibo_content.append(weibo_text) # 抓取评论数据 print("正在获取对应的评论数据。。。") content_and_comment_dict = {} print("开始从{}解析微博评论：".format(comment_url)) HTML_detail = requests.get(comment_url,headers=self.headers).content selector_detail = etree.HTML(HTML_detail) # 如果当前微博没有评论，跳过它 if selector_detail.xpath("//div[@ID='Pagelist']//div/input[1]/@value") is None: continue else: all_comment_pages = int(selector_detail.xpath("//div[@ID='Pagelist']//div/input[1]/@value")[0]) print(all_comment_pages) print('这是{}的微博：'.format(self.user_name)) print('微博内容： {}'.format(weibo_text)) print('接下来是下面的评论：
')
content_and_comment_dict["content"] = weibo_text
content_and_comment_dict["comment"] = []
content_and_comment_dict["url"] = comment_url
start_IDx = 0限制抓取指定数量的评论
end_IDx = all_commentpages - 2
if endIDx > limit:
end_IDx = limit
for page in range(1,end_IDx):
print("当前解析的页面是{},总页面{}。".format(page,end_IDx))
每隔5页，稍微暂停
if page % 5 == 0:
rest_time = np.random.randint(self.rest_min_time,self.rest_max_time)
time.sleep(rest_time)
从第二页开始爬取，第一页有一些噪音
detail_comment_url = comment_url + "&page=" + str(page + 1)
print(detail_comment_url)
开始解析页面
HTML_detail_page = requests.get(url=detail_comment_url,headers=self.headers).content
selector_comment_detail = etree.HTML(HTML_detail_page)
starts-with 顾名思义，匹配一个属性开始位置的关键字; contains匹配一个属性值中包含的字符串
comment_List = selector_comment_detail.xpath("//div[starts-with(@ID,'C')]")
for comment in commentList:
single_commentusername = comment.xpath("a[1]/text()")[0]
count: Returns the number of nodes for a given XPath 返回指定xpath的节点数
if comment.xpath('span[1][count()=0]'):
single_comment_content = comment.xpath('span[1][count()=0]/text()')[0]
else:
span_element = comment.xpath('span[1]')[0]
atusername = span_element.xpath('a/text()')[0]
atusername = '$' + atusername.split('@')[-1] + '$'
single_comment_content = span_element.xpath('/text()')
single_comment_content.insert(1,atusername)
single_comment_content = ' '.join(single_comment_content)
full_single_comment = '<' + single_comment_user_name + '>' + ': ' + single_comment_content
print(full_single_comment)
content_and_comment_dict['comment'].append(full_single_comment)
content_and_commentdict['lastIDx'] = page
mongodb.insert(content_and_comment_dict)
except Exception as e:
logging.error('在获取微博内容和评论的过程中抛出异常,error:',e)
print('
'  2)
print('='  20)

爬取微博内容和评论的结果如下：

准备获取微博内容：当前新浪微博用户思想聚焦已经发布的微博数为73166,他目前关注1702了微博用户,粉丝数有 25231899总共的微博页数: 7361***************************************************当前解析的是第1页，总共7361页正在获取对应的评论数据。。。开始从http://weibo.cn/comment/EwLwbivqE?uID=1742566624&rl=0解析微博评论：3891这是思想聚焦的微博：微博内容： 嗯 夏天结束了接下来是下面的评论：当前解析的页面是1,总页面10。http://weibo.cn/comment/GxUMxmsCT?uID=1742566624&rl=0&page=2<南风喵喵_>: 就是说 春天快来了么[喵喵]<千诱于野>: 今晚月色真美<假如你也是一只猫>: 嗯 夏天结束了: 但是秋天的温度真的舒服 秋天说不定恋爱才刚刚开始[doge]: 戏足<七月的流萤照冷>: 那冬天结束了的意思就是要死了？

mongodb的数据存储如下：

总结： 目前抓取指定ID的7350多页的微博内容没有遇到任何问题。后面会基于爬取的内容构建高质量的聊天语料，

总结

以上是内存溢出为你收集整理的月薪25K的萌新程序员基于python爬取新浪微博的内容和评论！牛逼全部内容，希望文章能够帮你解决月薪25K的萌新程序员基于python爬取新浪微博的内容和评论！牛逼所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。