python挖掘新浪微博 如何用python爬微博

Selenium简介与安装 

Selenium是什么？ 

Selenium也是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中，就像真正的用户在操作一样。支持的浏览器包括IE、Mozilla Firefox、Mozilla Suite等。 

安装 

直接使用pip命令安装即可！

pip install selenium

Python抓取微博有两种方式，一是通过selenium自动登录后从页面直接爬取，二是通过api。

这里采用selenium的方式。

程序：

from selenium import webdriver
import time
import re
'''
想要学习Python？Python学习交流群：973783996满足你的需求，资料都已经上传群文件，可以自行下载！
'''
#全局变量
driver = webdriver.Chrome("C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe")
 
def loginWeibo(username, password):
  driver.get('https://passport.weibo.cn/signin/login')
  time.sleep(1)
 
  driver.find_element_by_id("loginName").send_keys("[e-mail]")
  driver.find_element_by_id("loginPassword").send_keys("Weibo01061122")
 
  time.sleep(1)
  driver.find_element_by_id("loginAction").click()
 
  #driver.close()
   
def visitUserPage(userId):
  driver.get('http://weibo.cn/' + userId)
 
  print('********************')  
  print('用户资料')
   
  # 1.用户id
  print('用户id:' + userId)
   
  # 2.用户昵称
  strName = driver.find_element_by_xpath("//div[@class='ut']")
  strlist = strName.text.split(' ')
  nickname = strlist[0]
  print('昵称:' + nickname)
   
  # 3.微博数、粉丝数、关注数
  strCnt = driver.find_element_by_xpath("//div[@class='tip2']")
  pattern = r"\d+\.?\d*" # 匹配数字，包含整数和小数
  cntArr = re.findall(pattern, strCnt.text)
  print(strCnt.text)
  print("微博数：" + str(cntArr[0]))
  print("关注数：" + str(cntArr[1]))
  print("粉丝数：" + str(cntArr[2]))
   
  print('\n********************')
  # 4.将用户信息写到文件里
  with open("weibo.txt", "w", encoding = "gb18030") as file:
    file.write("用户ID：" + userId + '\r\n')
    file.write("昵称：" + nickname + '\r\n')
    file.write("微博数：" + str(cntArr[0]) + '\r\n')
    file.write("关注数：" + str(cntArr[1]) + '\r\n')
    file.write("粉丝数：" + str(cntArr[2]) + '\r\n')
     
  # 5.获取微博内容
  # http://weibo.cn/ + userId + ? filter=0&page=1
  # filter为0表示全部，为1表示原创
  print("微博内容")
   
  pageList = driver.find_element_by_xpath("//div[@class='pa']")
  print(pageList.text)
  pattern = r"\d+\d*"     # 匹配数字，只包含整数
  pageArr = re.findall(pattern, pageList.text)
  totalPages = pageArr[1]   # 总共有多少页微博
  print(totalPages)
   
  pageNum = 1     # 第几页
  numInCurPage = 1      # 当前页的第几条微博内容
  contentPath = "//div[@class='c'][{0}]"
  while(pageNum <= 3):  
  #while(pageNum <= int(totalPages)):
    contentUrl = "http://weibo.cn/" + userId + "?filter=0&page=" + str(pageNum)
    driver.get(contentUrl)
    content = driver.find_element_by_xpath(contentPath.format(numInCurPage)).text
    # print("\n" + content) # 微博内容，包含原创和转发
    if "设置:皮肤.图片.条数.隐私" not in content:
      numInCurPage += 1
      with open("weibo.txt", "a", encoding = "gb18030") as file:
        file.write("\r\n" + "\r\n" + content)  # 将微博内容逐条写到weibo.txt中
    else:
      pageNum += 1            # 抓取新一页的内容
      numInCurPage = 1          # 每一页都是从第1条开始抓    
     
if __name__ == '__main__':
  username = '[e-mail]'  # 输入微博账号
  password = 'Weibo01061122'     # 输入密码
  loginWeibo(username, password)   # 要先登录，否则抓取不了微博内容
  time.sleep(3)
  uid = 'xywyw'            # 寻医问药
  visitUserPage(uid)

运行结果：

同时还生成了weibo.txt文件，内容如下

 

这种方法有个缺陷，就是爬取较多内容会被封IP：