在进行自然语言处理、文本分类聚类、推荐系统、舆情分析等研究中,通常需要使用新浪微博的数据作为语料,这篇文章主要介绍如果使用Python和Selenium爬取自定义新浪微博语料。因为网上完整的语料比较少,而使用Selenium方法有点简单、速度也比较慢,但方法可行,同时能够输入验证码。希望文章对你有所帮助~
爬取结果
首先可以爬取用户ID、用户名、微博数、粉丝数、关注数及微博信息。其中微博信息包括转发或原创、点赞数、转发数、评论数、发布时间、微博内容等等。如下图所示:
同时也可以爬取微博的众多用户的详细信息,包括基本信息、关注人ID列表和粉丝ID列表等等。如下图所示:
爬取结果
首先可以爬取用户ID、用户名、微博数、粉丝数、关注数及微博信息。其中微博信息包括转发或原创、点赞数、转发数、评论数、发布时间、微博内容等等。如下图所示:
同时也可以爬取微博的众多用户的详细信息,包括基本信息、关注人ID列表和粉丝ID列表等等。如下图所示:
登录入口
新浪微博登录常用接口: http://login.sina.com.cn/
对应主界面: http://weibo.com/
但是个人建议采用手机端微博入口: http://login.weibo.cn/login/
对应主界面:http://weibo.cn/
其原因是手机端数据相对更轻量型,同时基本数据都齐全,可能缺少些个人基本信息,如"个人资料完成度"、"个人等级"等,同时粉丝ID和关注ID只能显示20页,但完全可以作为语料进行大部分的验证。
通过比较下面两张图,分别是 PC端和 手机端,可以发现内容基本一致:
完整源码
下面代码主要分为三部分:
1.LoginWeibo(username, password) 登录微博
2.VisitPersonPage(user_id) 访问跟人网站,获取个人信息
3.获取微博内容,同时http://weibo.cn/guangxianliuyan?filter=0&page=1实现翻页
) 如:r'\[(.*?)\]'就会自动换行 (⊙o⊙)
登录页面
首先,为什么需要登录呢?
因为新浪微博很多数据如果不登录是不能获取或访问的,如微博的粉丝列表、个人详细信息、微博下一页等等,当你点击这些超链接时就会自动跳转到登录界面,这是开发者对其进行的保护措施。同时,各个公司都会提供API接口让开发者进行操作,但此处我是使用Selenium模拟浏览器操作进行爬取的。
其中登录如上图所示,函数LoginWeibo(username, password) 实现,它会自动打开浏览器并输入用户名和密码。在登录过程中由于会涉及到验证码,所以我采用暂停20秒,当用户手动输入验证码并且时间到后会自动点击按钮登录。核心代码如下:
driver.get("http://login.weibo.cn/login/")
elem_user = driver.find_element_by_name("mobile")
elem_user.send_keys(username) #用户名
elem_pwd = driver.find_element_by_xpath("/html/body/div[2]/form/div/input[2]")
elem_pwd.send_keys(password) #密码
elem_sub = driver.find_element_by_name("submit")
elem_sub.click() #点击登陆
如果你登陆过程中Python报错:
WebDriverException: Message: "Can't load the profile. Profile Dir:
猜测是Firefox版本问题,升级后出现的该问题,建议下载相对较老的版本,总体感觉只要Selenium、Python、Firefox版本一致就不会报错,可从下面链接中安装该版本Firefox。
下载地址:http://download.csdn.net/detail/mengh2016/7752097
那么,登录成功后,为什么就能访问或跳转到不同的页面呢?
因为登录成功后会保存Cookies或Session信息,此时用户就可以任意跳转访问了,否则会重新跳转会登录界面。这里使用Selenium的driver.get(url)实现跳转。
获取个人信息
首先很多网站设计都是 URL+用户ID 访问个人网站,如柳岩: http://weibo.cn/guangxianliuyan
故定义一个TXT文件列表包含,所有用户ID信息,依次通过读取文件爬取其微博信息:
user_id = inforead.readline()
while user_id!="":
user_id = user_id.rstrip('\r\n')
VisitPersonPage(user_id) #访问个人页面
user_id = inforead.readline()
其中用户ID列表在SinaWeibo_List.txt 中,如下所示:(明星)
通过分析HTML源码,获取节点位置,通过Selenium函数定义位置获取信息,然后再通过正则表达式或字符串处理获取想要的值。如获取昵称:
str_name = driver.find_element_by_xpath("//div[@class='ut']")
#空格分隔 获取第一个值 "Eastmount 详细资料 设置 新手区"
str_t = str_name.text.split(" ")
num_name = str_t[0]
print u'昵称: ' + num_name
再如括号之间数字内容:
#微博[294] 关注[351] 粉丝[294] 分组[1] @他的
str_gz = driver.find_element_by_xpath("//div[@class='tip2']/a[1]")
guid = re.findall(pattern, str_gz.text, re.M)
num_gz = int(guid[0])
print u'关注数: ' + str(num_gz)
资料URL:http://weibo.cn/1644461042/info
新浪微博登录常用接口: http://login.sina.com.cn/
对应主界面: http://weibo.com/
但是个人建议采用手机端微博入口: http://login.weibo.cn/login/
对应主界面:http://weibo.cn/
其原因是手机端数据相对更轻量型,同时基本数据都齐全,可能缺少些个人基本信息,如"个人资料完成度"、"个人等级"等,同时粉丝ID和关注ID只能显示20页,但完全可以作为语料进行大部分的验证。
通过比较下面两张图,分别是 PC端和 手机端,可以发现内容基本一致:
手机端下图所示,其中图片相对更小,同时内容更精简。
完整源码
下面代码主要分为三部分:
1.LoginWeibo(username, password) 登录微博
2.VisitPersonPage(user_id) 访问跟人网站,获取个人信息
3.获取微博内容,同时http://weibo.cn/guangxianliuyan?filter=0&page=1实现翻页
# coding=utf-8 """ Created on 2016-02-22 @author: Eastmount 功能: 爬取新浪微博用户的信息 信息:用户ID 用户名 粉丝数 关注数 微博数 微博内容 网址:http://weibo.cn/ 数据量更小 相对http://weibo.com/ """ import time import re import os import sys import codecs import shutil import urllib from selenium import webdriver from selenium.webdriver.common.keys import Keys import selenium.webdriver.support.ui as ui from selenium.webdriver.common.action_chains import ActionChains #先调用无界面浏览器PhantomJS或Firefox #driver = webdriver.PhantomJS(executable_path="G:\phantomjs-1.9.1-windows\phantomjs.exe") driver = webdriver.Firefox() wait = ui.WebDriverWait(driver,10) #全局变量 文件操作读写信息 inforead = codecs.open("SinaWeibo_List.txt", 'r', 'utf-8') infofile = codecs.open("SinaWeibo_Info.txt", 'a', 'utf-8') #******************************************************************************** # 第一步: 登陆weibo.cn 获取新浪微博的cookie # 该方法针对weibo.cn有效(明文形式传输数据) weibo.com见学弟设置POST和Header方法 # LoginWeibo(username, password) 参数用户名 密码 # 验证码暂停时间手动输入 #******************************************************************************** def LoginWeibo(username, password): try: #********************************************************************** # 直接访问driver.get("http://weibo.cn/5824697471")会跳转到登陆页面 用户id # # 用户名<input name="mobile" size="30" value="" type="text"></input> # 密码 "password_4903" 中数字会变动,故采用绝对路径方法,否则不能定位到元素 # # 勾选记住登录状态check默认是保留 故注释掉该代码 不保留Cookie 则'expiry'=None #********************************************************************** #输入用户名/密码登录 print u'准备登陆Weibo.cn网站...' driver.get("http://login.weibo.cn/login/") elem_user = driver.find_element_by_name("mobile") elem_user.send_keys(username) #用户名 elem_pwd = driver.find_element_by_xpath("/html/body/div[2]/form/div/input[2]") elem_pwd.send_keys(password) #密码 #elem_rem = driver.find_element_by_name("remember") #elem_rem.click() #记住登录状态 #重点: 暂停时间输入验证码 #pause(millisenconds) time.sleep(20) elem_sub = driver.find_element_by_name("submit") elem_sub.click() #点击登陆 time.sleep(2) #获取Coockie 推荐 http://www.cnblogs.com/fnng/p/3269450.html print driver.current_url print driver.get_cookies() #获得cookie信息 dict存储 print u'输出Cookie键值对信息:' for cookie in driver.get_cookies(): #print cookie for key in cookie: print key, cookie[key] #driver.get_cookies()类型list 仅包含一个元素cookie类型dict print u'登陆成功...' except Exception,e: print "Error: ",e finally: print u'End LoginWeibo!\n\n' #******************************************************************************** # 第二步: 访问个人页面http://weibo.cn/5824697471并获取信息 # VisitPersonPage() # 编码常见错误 UnicodeEncodeError: 'ascii' codec can't encode characters #******************************************************************************** def VisitPersonPage(user_id): try: global infofile print u'准备访问个人网站.....' #原创内容 http://weibo.cn/guangxianliuyan?filter=1&page=2 driver.get("http://weibo.cn/" + user_id) #************************************************************************** # No.1 直接获取 用户昵称 微博数 关注数 粉丝数 # str_name.text是unicode编码类型 #************************************************************************** #用户id print u'个人详细信息' print '**********************************************' print u'用户id: ' + user_id #昵称 str_name = driver.find_element_by_xpath("//div[@class='ut']") str_t = str_name.text.split(" ") num_name = str_t[0] #空格分隔 获取第一个值 "Eastmount 详细资料 设置 新手区" print u'昵称: ' + num_name #微博数 除个人主页 它默认直接显示微博数 无超链接 #Error: 'unicode' object is not callable #一般是把字符串当做函数使用了 str定义成字符串 而str()函数再次使用时报错 str_wb = driver.find_element_by_xpath("//div[@class='tip2']") pattern = r"\d+\.?\d*" #正则提取"微博[0]" 但r"(\[.*?\])"总含[] guid = re.findall(pattern, str_wb.text, re.S|re.M) print str_wb.text #微博[294] 关注[351] 粉丝[294] 分组[1] @他的 for value in guid: num_wb = int(value) break print u'微博数: ' + str(num_wb) #关注数 str_gz = driver.find_element_by_xpath("//div[@class='tip2']/a[1]") guid = re.findall(pattern, str_gz.text, re.M) num_gz = int(guid[0]) print u'关注数: ' + str(num_gz) #粉丝数 str_fs = driver.find_element_by_xpath("//div[@class='tip2']/a[2]") guid = re.findall(pattern, str_fs.text, re.M) num_fs = int(guid[0]) print u'粉丝数: ' + str(num_fs) #*************************************************************************** # No.2 文件操作写入信息 #*************************************************************************** infofile.write('=====================================================================\r\n') infofile.write(u'用户: ' + user_id + '\r\n') infofile.write(u'昵称: ' + num_name + '\r\n') infofile.write(u'微博数: ' + str(num_wb) + '\r\n') infofile.write(u'关注数: ' + str(num_gz) + '\r\n') infofile.write(u'粉丝数: ' + str(num_fs) + '\r\n') infofile.write(u'微博内容: ' + '\r\n\r\n') #*************************************************************************** # No.3 获取微博内容 # http://weibo.cn/guangxianliuyan?filter=0&page=1 # 其中filter=0表示全部 =1表示原创 #*************************************************************************** print '\n' print u'获取微博内容信息' num = 1 while num <= 5: url_wb = "http://weibo.cn/" + user_id + "?filter=0&page=" + str(num) print url_wb driver.get(url_wb) #info = driver.find_element_by_xpath("//div[@id='M_DiKNB0gSk']/") info = driver.find_elements_by_xpath("//div[@class='c']") for value in info: print value.text info = value.text #跳过最后一行数据为class=c #Error: 'NoneType' object has no attribute 'groups' if u'设置:皮肤.图片' not in info: if info.startswith(u'转发'): print u'转发微博' infofile.write(u'转发微博\r\n') else: print u'原创微博' infofile.write(u'原创微博\r\n') #获取最后一个点赞数 因为转发是后有个点赞数 str1 = info.split(u" 赞")[-1] if str1: val1 = re.match(r'\[(.*?)\]', str1).groups()[0] print u'点赞数: ' + val1 infofile.write(u'点赞数: ' + str(val1) + '\r\n') str2 = info.split(u" 转发")[-1] if str2: val2 = re.match(r'\[(.*?)\]', str2).groups()[0] print u'转发数: ' + val2 infofile.write(u'转发数: ' + str(val2) + '\r\n') str3 = info.split(u" 评论")[-1] if str3: val3 = re.match(r'\[(.*?)\]', str3).groups()[0] print u'评论数: ' + val3 infofile.write(u'评论数: ' + str(val3) + '\r\n') str4 = info.split(u" 收藏 ")[-1] flag = str4.find(u"来自") print u'时间: ' + str4[:flag] infofile.write(u'时间: ' + str4[:flag] + '\r\n') print u'微博内容:' print info[:info.rindex(u" 赞")] #后去最后一个赞位置 infofile.write(info[:info.rindex(u" 赞")] + '\r\n') infofile.write('\r\n') print '\n' else: print u'跳过', info, '\n' break else: print u'next page...\n' infofile.write('\r\n\r\n') num += 1 print '\n\n' print '**********************************************' except Exception,e: print "Error: ",e finally: print u'VisitPersonPage!\n\n' print '**********************************************\n' #******************************************************************************* # 程序入口 预先调用 #******************************************************************************* if __name__ == '__main__': #定义变量 username = '1520161***' #输入你的用户名 password = '**********' #输入你的密码 user_id = 'guangxianliuyan' #用户id url+id访问个人 #操作函数 LoginWeibo(username, password) #登陆微博 #driver.add_cookie({'name':'name', 'value':'_T_WM'}) #driver.add_cookie({'name':'value', 'value':'c86fbdcd26505c256a1504b9273df8ba'}) #注意 #因为sina微博增加了验证码,但是你用Firefox登陆一次输入验证码,再调用该程序即可,因为Cookies已经保证 #会直接跳转到明星微博那部分,即: http://weibo.cn/guangxianliuyan #在if __name__ == '__main__':引用全局变量不需要定义 global inforead 省略即可 print 'Read file:' user_id = inforead.readline() while user_id!="": user_id = user_id.rstrip('\r\n') VisitPersonPage(user_id) #访问个人页面 user_id = inforead.readline() #break infofile.close() inforead.close()PS:发现CSDN编辑器的BUG,只要包含(
登录页面
首先,为什么需要登录呢?
因为新浪微博很多数据如果不登录是不能获取或访问的,如微博的粉丝列表、个人详细信息、微博下一页等等,当你点击这些超链接时就会自动跳转到登录界面,这是开发者对其进行的保护措施。同时,各个公司都会提供API接口让开发者进行操作,但此处我是使用Selenium模拟浏览器操作进行爬取的。
其中登录如上图所示,函数LoginWeibo(username, password) 实现,它会自动打开浏览器并输入用户名和密码。在登录过程中由于会涉及到验证码,所以我采用暂停20秒,当用户手动输入验证码并且时间到后会自动点击按钮登录。核心代码如下:
driver.get("http://login.weibo.cn/login/")
elem_user = driver.find_element_by_name("mobile")
elem_user.send_keys(username) #用户名
elem_pwd = driver.find_element_by_xpath("/html/body/div[2]/form/div/input[2]")
elem_pwd.send_keys(password) #密码
elem_sub = driver.find_element_by_name("submit")
elem_sub.click() #点击登陆
如果你登陆过程中Python报错:
WebDriverException: Message: "Can't load the profile. Profile Dir:
猜测是Firefox版本问题,升级后出现的该问题,建议下载相对较老的版本,总体感觉只要Selenium、Python、Firefox版本一致就不会报错,可从下面链接中安装该版本Firefox。
下载地址:http://download.csdn.net/detail/mengh2016/7752097
那么,登录成功后,为什么就能访问或跳转到不同的页面呢?
因为登录成功后会保存Cookies或Session信息,此时用户就可以任意跳转访问了,否则会重新跳转会登录界面。这里使用Selenium的driver.get(url)实现跳转。
获取个人信息
首先很多网站设计都是 URL+用户ID 访问个人网站,如柳岩: http://weibo.cn/guangxianliuyan
故定义一个TXT文件列表包含,所有用户ID信息,依次通过读取文件爬取其微博信息:
user_id = inforead.readline()
while user_id!="":
user_id = user_id.rstrip('\r\n')
VisitPersonPage(user_id) #访问个人页面
user_id = inforead.readline()
其中用户ID列表在SinaWeibo_List.txt 中,如下所示:(明星)
guangxianliuyan zhangjiani 1862829871 zmqd houzimi 3125046087 gezhaoen 1877716733 ailleenmmm linshenblog superleoisme 2638613703 duiersky ws95 wuwei1003673996 wuxin 1413971423 xiena yangxinyu888 zhangyangguoer0418 liuyifeiofficial
通过分析HTML源码,获取节点位置,通过Selenium函数定义位置获取信息,然后再通过正则表达式或字符串处理获取想要的值。如获取昵称:
str_name = driver.find_element_by_xpath("//div[@class='ut']")
#空格分隔 获取第一个值 "Eastmount 详细资料 设置 新手区"
str_t = str_name.text.split(" ")
num_name = str_t[0]
print u'昵称: ' + num_name
再如括号之间数字内容:
#微博[294] 关注[351] 粉丝[294] 分组[1] @他的
str_gz = driver.find_element_by_xpath("//div[@class='tip2']/a[1]")
guid = re.findall(pattern, str_gz.text, re.M)
num_gz = int(guid[0])
print u'关注数: ' + str(num_gz)
资料URL:http://weibo.cn/1644461042/info
关注URL:http://weibo.cn/1644461042/follow
粉丝URL:http://weibo.cn/1644461042/fans
但是手机端只能显示20页粉丝列表和关注列表。
点击"资料"可以获取个人详细信息、点击"关注[516]"可以获取关注列表,如果需要建立不同用户之间的关注网,个人建议通过关注表而不是粉丝表,因为关注表覆盖明星更大,而粉丝太多,构建的图太稀疏。个人信息如下图所示:
获取微博
微博URL:http://weibo.cn/guangxianliuyan?filter=0&page=1
通过分析如下URL链接,可以发现Page=n 表示访问第n页微博,从而实现跳转。filter=1表示原创,可以分析它对应的开头几个类型。再通过函数获取内容:
info = driver.find_elements_by_xpath("//div[@class='c']")
然后如果发布的微博以"转发了..."开头表示转发的微博,否则为原创微博,代码:
info.startswith(u'转发')
同时获取微博点赞数、转发数、时间等,其中因为转发会包括点赞数,故获取最后一个"赞[xxx]",然后通过正则表达式i获取括号之间内容。
str1 = info.split(u" 赞")[-1]
if str1:
val1 = re.match(
, str1).groups()[0]
print u'点赞数: ' + val1
infofile.write(u'点赞数: ' + str(val1) + '\r\n')
微博都是以class='c'节点,故获取是有这类值,再进行字符串处理即可。
PS:最后希望文章对你有所帮助!其实方法很简单,希望你能理解这种思想,如何分析HTML源码及DOM树结构,然后动态获取自己需要的信息。
(By:Eastmount 2016-02-23 深夜5点半 http://blog.csdn.net/eastmount/ )
粉丝URL:http://weibo.cn/1644461042/fans
但是手机端只能显示20页粉丝列表和关注列表。
点击"资料"可以获取个人详细信息、点击"关注[516]"可以获取关注列表,如果需要建立不同用户之间的关注网,个人建议通过关注表而不是粉丝表,因为关注表覆盖明星更大,而粉丝太多,构建的图太稀疏。个人信息如下图所示:
获取微博
微博URL:http://weibo.cn/guangxianliuyan?filter=0&page=1
通过分析如下URL链接,可以发现Page=n 表示访问第n页微博,从而实现跳转。filter=1表示原创,可以分析它对应的开头几个类型。再通过函数获取内容:
info = driver.find_elements_by_xpath("//div[@class='c']")
然后如果发布的微博以"转发了..."开头表示转发的微博,否则为原创微博,代码:
info.startswith(u'转发')
同时获取微博点赞数、转发数、时间等,其中因为转发会包括点赞数,故获取最后一个"赞[xxx]",然后通过正则表达式i获取括号之间内容。
str1 = info.split(u" 赞")[-1]
if str1:
val1 = re.match(
print u'点赞数: ' + val1
infofile.write(u'点赞数: ' + str(val1) + '\r\n')
微博都是以class='c'节点,故获取是有这类值,再进行字符串处理即可。
PS:最后希望文章对你有所帮助!其实方法很简单,希望你能理解这种思想,如何分析HTML源码及DOM树结构,然后动态获取自己需要的信息。
(By:Eastmount 2016-02-23 深夜5点半 http://blog.csdn.net/eastmount/ )