Python新浪微博爬虫-2 爬取评论用户的信息

这篇文章是Python爬虫的第二篇，目标是新浪微博的评论人的性别，地区，等信息，写的不好的地方请指正。

---

先来分析一下数据的位置。

个人资料的网址有两种，如果用户没有设置个性域名，网址即为图1，微博默认的ID（weibo.cn/u/**********）。否则为图二（weibo.cn/purdence520）。因为我们之前获取的到的信息，可能为域名或id，所以这里需要判断，再获取信息页。

再来看看源码，信息都在class="c"的div的第五个子标签内（0索引开始）

---

代码

def get_page(self, domain, num):
        url = 'https://weibo.cn/{}/info'.format(domain)
        print(url)
        try:
            req = requests.get(url, headers=self.header, timeout=5,
                               cookies=self.cookie[2],)
            soup = BeautifulSoup(req.text, 'lxml')
            if req.status_code == 200:
                return soup
            else:
                print(req.status_code)
                url = 'https://weibo.cn/{}'.format(domain)
                req = requests.get(url, timeout=5,
                                   cookies=self.cookie[self.cg_id],
                                   headers=self.header)
                soup = BeautifulSoup(req.text, 'lxml')
                domain = re.compile(r'/(\d+)/info').\
                    findall(str(soup))[0]
                return self.get_page(domain, num)
        except Exception as e:
            raise(e)

此方法用于获取信息页，需判断id页还是个性域名页。domain参数是id/域名，num参数是存到数据库里的自增列，用于定位。如果以id/info的网址可以获取到信息，则返回获取到的页面。否则用域名网站获取最后返回一个信息页面。

个性域名错误网址，页面不存在。 从个性欲名页面爬到ID

用正则表达式匹配信息，把没有填生日的信息设为none，用tools包操作数据库。

def get_sab(self, q):
    while True:
        num = q.get()
        self.user_domain = tools.s_domain(num)
        soup = self.get_page(self.user_domain, num)
        try:
            self.user_sex = re.findall(r'性别:(.*?)<br', str(soup))[0]
            self.user_area = re.findall(r'地区:(.*?)<br', str(soup))[0]
            self.user_birth = re.findall(r'生日:(.*?)<br', str(soup))[0]
        except Exception as e:
            self.user_birth = 'none'
        print(mp.current_process().name, num, self.user_sex,
              self.user_area, self.user_birth)
        tools.i_sab((self.user_sex, self.user_area, self.user_birth,
                     num))
        sleep(randint(1, 3))

用Queue来生成数据库自增num，获取数据库中每一个domain
    def set_num(self, q):
        global num

        while True:
            q.put(num)
            print(num, 'put')
            num += 1

GitHub开源地址：https://github.com/matianhe/crawler