微博爬虫系列之微博榜单博文爬取

由于CSDN太过垃圾的审核，迁移到这边。

无聊的前言

本职工作不是爬虫，但由于一些原因，近期做了很多关于微博爬虫的事情，差不多把可以爬到的东西摸索了一遍，之后准备写下微博爬虫系列博客，主要包括几方面内容：

• 微博热门内容及榜单的博文爬取 微博爬虫系列之微博榜单博文爬取
• 定向关键词及指定用户博文爬取 微博爬虫系列之关键词及指定用户博文爬取
• 博文评论爬取 微博爬虫系列之博文评论爬取
• 微博用户信息爬取

具体爬取的过程，有一些是自己摸索出来的，有一些是借鉴了一个很强的github资源，后续博客写了之后再慢慢放上来~

关于爬取的途径，包括微博的三个端：

• 微博pc端：https://weibo.com
• 微博网页版：https://weibo.cn
• 微博移动端：https://m.weibo.cn

三个端的爬取都有进行了一些尝试，后面只用了网页版跟移动端。pc端的话，主要是当时进行了用户信息的爬取，需要用到selenium。但后面发现发现网页版跟移动端已经可以满足了，就没用pc端进行爬取了。

以下夹杂着各种废话，主要是方便以后想用可以看，不喜勿喷。

正文

这篇先写下关于微博热门内容以及其他榜单的博文爬取。在网上搜索的过程中发现很多并不符合自己的要求，所以这部分的爬取基本就是在看过一些检索内容后，自己再慢慢摸索出来的。

热门内容及其他榜单博文爬取方面，用的是微博移动端（https://m.weibo.cn）。对于微博移动版中热门内容、榜单的爬取，不需要使用到cookies。

热门内容及其他榜单的爬取中，具体的内容细节抓取基本差不多，主要是链接跟进入数据的一些控件有区别，所以后面有部分内容不再赘述。

先介绍热门内容中博文的爬取。

微博热门内容博文爬取

数据来源

首先进入微博移动端（https://m.weibo.cn），打开开发者模式，找到这个文件，就可以找到对应的微博热门内容接口：

https://m.weibo.cn/api/container/getIndex?containerid=102803&openApp=0

这个链接代表的是热门内容的首页，由于热门内容是随即滚动的，并且带一定的推荐功能，会随登陆账号的不同显示不一样，每次刷新也都会有不同的数据出现。

进去后可以看到，移动端是用滑动的模式，而不是翻页的模式，那么怎么获取下一页的内容呢？

在网上检索时，会有一些用直接用页数来更新，这边虽然凑巧是这样子的规则，但在爬取关注及粉丝数的时候，发现该字段并不直接用页数代替。因此这里我并不直接用固定思维里的页数进行爬取。

微博中会有一个since_id的字段，类似page，用来标志页面。每个对应网页会出现下一页的since_id，我们就可以利用这个信息获取到下一页的网页链接。在关注、粉丝数爬取中，最后没有下一页的情况下，下一页的since_id会获取不到。但在热门内容这些地方貌似是无穷无尽的，但我还是设置了一个判断语句。这个在后面的爬取过程中再详细说明。

爬取过程详解

首先依据将前面找到的数据接口爬下数据，看看数据格式。
这里微博是将这些数据用接口的形式滚动存储，直接使用requests就可以拿到页面数据，数据以json格式存储。

下面的get_random_ua()是一个随机获取user-agent的函数，里面放了一些各种浏览器的user-agent，直接改成自己的就可以了。

import re
import time
import pandas as pd
import requests
from urllib import request

headers = {
      "user-agent": get_random_ua(),
    }
url = 'https://m.weibo.cn/api/container/getIndex?containerid=102803&openApp=0'
res = requests.get(url, headers = headers)
data = res.json()['data']

这里的变量data后面并没用到，只是看下里面是啥东西：

前面提到的since_id就放在cardlistInfo中：

在这里插入图片描述

从这里可以获得微博的来源、一般显示的个数（实际爬取并不止这个数，感觉是因为爬取是在整个数据库调，这个个数应该是刷微博时榜单里的内容数）以及下一页的since_id：

items = res.json()['data']['cardlistInfo']
totalNum = items['total'] # 榜单数量
title_top = items['title_top'] # 榜单来源
statistics_from = items['statistics_from'] # 榜单来源，与前面一致，不需要重复获取
## 获取下一页的since_id
try:
    next_since_id = items['since_id']
except:
    next_since_id = None

## 下一页url
next_url = 'https://m.weibo.cn/api/container/getIndex?containerid=102803&openApp=0&since_id={}'.format(since_id)

下面是具体的内容了

具体博文存储在cards中，里面放了10条博文：

点开每个元素里面长这样：

博文具体信息就在mblog中，这里面存储的东西会因博文的不同而变动，所以这边就不展示里面的东西了，==在爬的过程中自己多看看各个控件里是啥！==

这里直接放我爬的一些东西以及自己理解的意思，savePics()是自己写的一个下载图片的函数。

需要博主信息可以直接在mblog里的user获取，里面包括很多信息，具体的意思后面爬取用户信息再介绍~

其他需要的信息根据需求自行在这里面探索吧~

cards = res.json()['data']['cards']
content_list = []
for card in cards:
    content_data = {}
    content_data['title_top'] = title_top
    content_data['crawl_time'] = int(time.time()) # 爬取的时间戳
    content_data['weibo_url'] = card['scheme'] # 微博url
    content = card['mblog']
    content_data['user_id'] = content['user']['id'] # 用户id
    user_name = content['user']['screen_name']
    content_data['weibo_id'] = content['bid']
    content_data['user_name'] = user_name # 用户名
    content_data['user_info'] = content['user'] # 博主信息
    
    if 'created_at' in content:
        content_data['create_at'] = content['created_at'] # 微博创建时间
        

    content_data['repost_num'] = content['reposts_count'] # 转发数
    content_data['comment_num'] = content['comments_count'] # 评论数
    content_data['source'] = content['source'] # 微博来源
    
    ## 微博内容
    content_data['content'] = content['text'] # 微博内容
    content_data['content'] = re.sub(r'<.*?>','',content_data['content'])
    if 'page_info' in content:
        page_info = content['page_info']
        if 'title' in page_info:
            content_data['video_title'] = page_info['title'] # 视频或其他链接title
        if 'page_title' in page_info:
            content_data['page_title'] = page_info['page_title'] # 视频或其他链接title
        if 'media_info' in page_info:
            content_data['video_url'] = page_info['media_info']['stream_url'] # 视频url
            content_data['play_count'] = page_info['play_count'] # 视频播放次数
        if 'url_ori' in page_info:
            content_data['url_ori'] = page_info['url_ori'] # 原微博
    
    if 'pics' in content:
        content_data['pic_type'] = 1 # 是否带图片
        for p in content['pics']:
            savePics(p['url'], user_name, path = '自己的路径')
    
    content_list.append(content_data) ## 后面再生成DataFrame

其他注意事项

热门内容的爬取好像就结束了，其他注意事项就是可能有时候获取不到网页，可以自己设置个循环跟判断语句，再加上time.sleep()指令，如果实在获取不到就跳过啦~

其他榜单内容爬取

其他榜单的具体内容跟热门内容基本一致，所以具体内容就不赘述了。

主要区别一方面是接口，同样点进移动端（https://m.weibo.cn），其他榜单的数据放在带有trendtop字样的文件里，比如榜单的链接就是

https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_8999_-_ctg1_8999_home

这里把自己用的几个榜单放上来

urls = [
        'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_8999_-_ctg1_8999_home', ## 榜单
        'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_2088_-_ctg1_2088', ## 科技
        'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_4288_-_ctg1_4288', ## 明星
        'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_3288_-_ctg1_3288', ## 电影
        'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_5288_-_ctg1_5288', ## 音乐
        'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_1988_-_ctg1_1988', ## 情感
        'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_4488_-_ctg1_4488', ## 时尚
        'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_1588_-_ctg1_1588', ## 美妆
        'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_4888_-_ctg1_4888', ## 游戏
        'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_5188_-_ctg1_5188', ## 数码
        ]

第二个区别是翻页的字段，其他榜单用的是page字段不是since_id，且直接在data层就可以找到

第三个区别是数据存储的位置，其他榜单的博文内容存储在data中的statuses。

这篇结束了！

以上为微博热门内容、榜单的博文爬取详解，其他之后再写啦~

有参考到其他文章的地方我也忘了，总之搜索再加上自己摸索吧。不过微博还是存在很多限制的，很多东西也爬不全。

爬取热门微博这些要注意去重，里面会有很多内容是重复的，因为翻页存在一些停滞之类的吧~