【Python爬虫实例学习篇】——五、【超详细记录】从爬取微博评论数据（免登录）到生成词云

【Python爬虫实例学习篇】——五、【超详细记录】从爬取微博评论数据（免登录）到生成词云

近段时间新型冠状病毒的问题引发了全国人民的普遍关注，对于这一高传染性的病毒，人们有着不一样的声音，而我想经过大数据看看大多数人是怎么想的。

精彩部分提醒：

（1）微博评论页详情连接为一个js脚本
（2）获取js脚本连接须要该条微博的mid参数
（3）获取mid参数须要访问微博主页
（4）访问微博主页须要先进行访客认证
（5）微博主页几乎是由弹窗构成，全部html代码被隐藏在FM.view()函数的参数中，该参数是json格式

工具：

1. Python 3.6
2. requests 库
3. json 库
4. lxml 库
5. urllib 库
6. jieba 库（进行分词）
7. WordCloud 库（产生词云）

目录：

1. 爬取微博评论数据
2. GetWeiBoRemark.py
3. 生成词云

#### <span id="jump1">一、爬取微博篇论数据</span>

以央视新闻官方微博置顶的第一条微博为例，爬取其评论数据。

(1) 寻找评论页

第一步：寻找评论页

先用Ctrl+Shift+C 选取评论标签查看其html代码，发现其连接为一个js脚本，那么尝试用fddler看看能不能抓到这个js脚本的包，获得这个js的地址。

找到疑似js包，将数据解码，确认是咱们要找的包。

同时，根据“查看更多”能够肯定跳转的连接，将这一结果在json解析结果中搜索，能够进一步肯定这个js包就是咱们要找的包。接下来须要肯定这个js包是来源于哪。

第二步：找到js包地址

js包地址为：“https://weibo.com/aj/v6/comme...”，连接很长，且参数不少，根据以往经验，咱们尝试删除一些参数进行访问测试。
通过测试发现只需==mid==这一个参数便可获取该数据包。
因此有效js包地址为：”https://weibo.com/aj/v6/comme...“。

那么，接下来的工做就是去寻找mid这以参数的值（猜想应该是微博的惟一序列号）。在Fiddler中搜索 “mid=4465267293291962”能够发如今央视新闻首页中，每条微博里面都包含了该微博的mid信息。

用Ctrl+Shift+C 任意选取一条微博，能够发现有一个 “mid” 属性，里面包含mid的数据

用XPath Helper进行调试，没有问题，接下来在python上实现这部分代码，==（通过后面测试发现获取评论数据只需获取微博的mid便可，所以下面这几步能够跳过，可是为例保证探索过程的完整性，我将其留在了这里）==

获得评论页的代码：

import requests
from lxml import etree

requests.packages.urllib3.disable_warnings()

name="cctvxinwen"
home_url='https://weibo.com/'+name
headers={
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3970.5 Safari/537.36"
}

session=requests.session()
res=session.get(home_url,headers=headers,timeout=20,verify=False)
html=etree.HTML(res.content.decode('gb2312',"ignore"))
mid_list=html.xpath("//div/@mid")

本觉得能够轻松获取新闻主页，结果发现如果没有附带cookie的话，会自动跳转到微博登录验证页面。

用chrome的无痕访问结合fiddler，从新抓包，能够清晰的发现微博的验证登录流程。其中最重要的是第11号包，其他6号包用于提供参数解析，9号包提供==参数s==和参数==sp==的数据，8号包用于提供9号包访问连接中参数的数据。

对于咱们的爬虫来讲，只须要从第8号包开始访问便可，8号包须要提交的数据为(常量)：

cb=gen_callback&fp={"os":"1","browser":"Chrome80,0,3970,5","fonts":"undefined","screenInfo":"1920*1080*24","plugins":"Portable Document Format::internal-pdf-viewer::Chrome PDF Plugin|::mhjfbmdgcfjbbpaeojofohoefgiehjai::Chrome PDF Viewer|::internal-nacl-plugin::Native Client"}

须要注意的是，在使用requests库时，须要向协议头中添加：
=='Content-Type': 'application/x-www-form-urlencoded'==，不然返回数据为空。

9号包的连接为：
“https://passport.weibo.com/vi...”，其中_rand参数能够忽略。这里须要注意，添加tid参数时，tid参数须要 url编码。
在完成9号包的访问后，就能够获取央视新闻微博的主页了：

第三步：获取评论页连接
在这里有一个颇有意思的现象，当我在网页用xpath helper调试的时候，可以很是容易的获取对应的属性值，可是一旦将该xpath语法应用与python中进行解析时，老是获得空的数据。通过一番调试发现，是因为微博这个 ==“欧盟隐私弹窗”==所致。全部咱们须要的数据所有被隐藏在这个弹窗之中，微博页面的全部内容经过调用 FM.view() 这个函数显示出来，网页的html代码就隐藏在 FM.view() 函数的json格式的参数中。


第一部分的代码为：

import requests
import json
from urllib import parse
from lxml import etree

requests.packages.urllib3.disable_warnings()
session = requests.session()
session.verify = False
session.timeout = 20

name = "cctvxinwen"
home_url = 'https://weibo.com/' + name
url1 = "https://passport.weibo.com/visitor/genvisitor"
urljs='https://weibo.com/aj/v6/comment/small?mid='

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3970.5 Safari/537.36"
}

data = "cb=gen_callback&fp=%7B%22os%22%3A%221%22%2C%22browser%22%3A%22Chrome80%2C0%2C3970%2C5%22%2C%22fonts%22%3A%22undefined%22%2C%22screenInfo%22%3A%221920*1080*24%22%2C%22plugins%22%3A%22Portable%20Document%20Format%3A%3Ainternal-pdf-viewer%3A%3AChrome%20PDF%20Plugin%7C%3A%3Amhjfbmdgcfjbbpaeojofohoefgiehjai%3A%3AChrome%20PDF%20Viewer%7C%3A%3Ainternal-nacl-plugin%3A%3ANative%20Client%22%7D"

# 获取tid
headers.update({'Content-Type': 'application/x-www-form-urlencoded'})
tid = json.loads(session.post(url=url1, headers=headers, data=data).content.decode('utf-8')[36:-2])['data']['tid']
del headers['Content-Type']

# 获取访客cookie
url2 = "https://passport.weibo.com/visitor/visitor?a=incarnate&t=" + parse.quote(
    tid) + "&w=2&c=095&gc=&cb=cross_domain&from=weibo"
session.get(url=url2.encode('utf-8'), headers=headers)

# 访问微博主页，解析获取评论页面
res = session.get(url=home_url, headers=headers)
html = etree.HTML(res.content.decode('utf-8', "ignore"))
# 含有mid的html代码被隐藏在这一个json中
mid_json = json.loads(html.xpath("//script")[38].text[8:-1])
mid_html=etree.HTML(mid_json['html'])
mids=mid_html.xpath("//div/@mid")

# 获取第一条微博的js包地址
urljs=urljs+str(mids[0])
res=session.get(url=urljs, headers=headers)
js_json_html=json.loads(res.content)['data']['html']
print(js_json_html)
print("该微博当前评论数为："+str(json.loads(res.content)['data']['count']))

# 解析获取评论页地址
js_html=etree.HTML(js_json_html)
url_remark=js_html.xpath("//a[@target='_blank']/@href")[-1]
url_remark="https:"+url_remark

(2) 获取并评论

获取评论页后，咱们很是容易的就能找到评论数据的json包，如图所示：

该json包的连接为：“https://weibo.com/aj/v6/comme...”
==其中，有效json包连接为：==“https://weibo.com/aj/v6/comme...”。获取json包以后，既能够提取出评论数据，其代码以下 <span id='jumpid'>==(因为该json包不须要其余参数，只须要额外提供mid便可，所以咱们在获取mid后能够直接跳到这一步)== ：</span>
爬取评论以下：

二、<span id="jump2"> GetWeiBoRemark.py </span>

import requests
import json
from urllib import parse
from lxml import etree

# 预设
requests.packages.urllib3.disable_warnings()
session = requests.session()
session.verify = False
session.timeout = 20
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3970.5 Safari/537.36"
}


def getweiboremark(name, index=1, num=-1):
    # name参数表明微博主页的名称
    # index参数表明目标微博的序号
    # num表明要爬的评论数，-1表明全部评论
    # 返回结果为评论列表
    home_url = 'https://weibo.com/' + name
    tid = get_tid()
    get_cookie(tid=tid)
    mids = get_mids(home_url=home_url)
    remark_data = get_remarkdata(num=num, mids=mids, index=index)
    return remark_data


def get_tid():
    # 获取tid
    url1 = "https://passport.weibo.com/visitor/genvisitor"
    data = "cb=gen_callback&fp=%7B%22os%22%3A%221%22%2C%22browser%22%3A%22Chrome80%2C0%2C3970%2C5%22%2C%22fonts%22%3A%22undefined%22%2C%22screenInfo%22%3A%221920*1080*24%22%2C%22plugins%22%3A%22Portable%20Document%20Format%3A%3Ainternal-pdf-viewer%3A%3AChrome%20PDF%20Plugin%7C%3A%3Amhjfbmdgcfjbbpaeojofohoefgiehjai%3A%3AChrome%20PDF%20Viewer%7C%3A%3Ainternal-nacl-plugin%3A%3ANative%20Client%22%7D"

    headers.update({'Content-Type': 'application/x-www-form-urlencoded'})
    tid = json.loads(session.post(url=url1, headers=headers, data=data).content.decode('utf-8')[36:-2])['data']['tid']
    del headers['Content-Type']
    return tid


def get_cookie(tid, session=session):
    # 获取访客cookie
    url2 = "https://passport.weibo.com/visitor/visitor?a=incarnate&t=" + parse.quote(
        tid) + "&w=2&c=095&gc=&cb=cross_domain&from=weibo"
    session.get(url=url2.encode('utf-8'), headers=headers)


def get_mids(home_url, session=session):
    # 访问微博主页，解析获取评论页面
    # 要想获取mids，必须先获取cookie
    res = session.get(url=home_url, headers=headers)
    try:
        html = etree.HTML(res.content.decode('utf-8', "ignore"))
        # 含有mid的html代码被隐藏在这一个json中
        mid_json = json.loads(html.xpath("//script")[38].text[8:-1])
        mid_html = etree.HTML(mid_json['html'])
        mids = mid_html.xpath("//div/@mid")
        mids[0]
        return mids
    except Exception:
        mids = get_mids(home_url, session=session)
        return mids


def get_remarkdata(num, mids, index=1):
    # 获取评论数据
    url_remarkdata = 'https://weibo.com/aj/v6/comment/big?ajwvr=6&id={mid}&page={page}&from=singleWeiBo'
    page = 1
    remark_data_new = []
    current_num = 0
    while True:
        print("-" * 50)
        url_remarkdata_new = url_remarkdata.format(mid=str(mids[index]), page=str(page))
        page = page + 1
        print("正在采集第 " + str(page - 1) + " 页评论！")
        res = session.get(url=url_remarkdata_new, headers=headers)
        remark_html = etree.HTML(json.loads(res.content.decode(encoding='utf-8'))['data']['html'])
        remark_data = remark_html.xpath("//div[@class='list_con']/div[1]/text()")
        remark_num = json.loads(res.content.decode(encoding='utf-8'))['data']['count']
        if page == 2:
            print("本条微博共有 "+str(remark_num)+' 个评论！')
            if num == -1:
                num = remark_num
            elif num > remark_num:
                num = remark_num
        for i in remark_data:
            if i[0:1] == '：':
                i = i[1:]
                remark_data_new.append(i.strip())
        current_num = len(remark_data_new)
        print("当前已采集：" + str(current_num) + " 个评论，剩余：" + str(num - current_num) + "个待采集！")
        if (num <= current_num):
            break
    return remark_data_new

def save_remarkdata(name,data):
    with open(name,'w',encoding='utf-8') as fp:
        fp.write(data)
        fp.flush()
        fp.close()

结果展现：

三、生成词云

代码以下：

from wordcloud import WordCloud
import matplotlib.pyplot as plt
import jieba
import GetWeiBoRemark

def producewordcloud(data,mask=None):
    word_cloud=WordCloud(background_color="white",font_path='msyh.ttc',mask=mask,max_words=200,max_font_size=100,width=1000,height=860).generate(' '.join(jieba.cut(data,cut_all=False)))
    plt.figure()
    plt.imshow(word_cloud, interpolation='bilinear')
    plt.axis("off")  # 不显示坐标轴
    plt.show()

if __name__ == '__main__':
    # cctvxinwen
    remark_data=GetWeiBoRemark.getweiboremark(name="cctvxinwen",index=2,num=100)
    str_remark_data=''
    for i in remark_data:
        str_remark_data=str_remark_data+str(i)
    GetWeiBoRemark.save_remarkdata(name='cctvxinwen.txt',data=str_remark_data)
    producewordcloud(str_remark_data)

==目标微博==

==下面是爬3000条数据作出的词云：==

==微信公众号：==