前言
在nlp方面，经常会遇到没有语料或者语料不足的问题，例如构建聊天对话系统或者问答系统，需要大量的语料和问答对。而新浪微博作为一个非常不错的博客社交互动平台，提供了最活跃、最丰富的语料，因此这里首选新浪微博进行爬取。另外现在很多博客文章提供了一些通用的爬取工具和方法，但没有深入到具体哪个web网站进行爬取，笔者是非常反感的，业余爬取数据就需要快、可行，尽量节省时间。这里会提供思路和开源代码( 微博数据爬取 )，欢迎大家关注我的知乎 探究极简之道 并star。
爬取内容和策略
这里先从简单开始，先爬取某个大V的微博。举例：爬取微博名为"思想聚焦"(微博ID: 1742566624)，微博内容都是心灵鸡汤，还是挺受用的~
基于模拟登陆来保存cookie，抓取指定web内容。 未登录新浪微博的情况下，是可以通过网址查看一个用户的首页，但是不能进一步查看该用户的关注和粉丝等信息，如果点击关注和粉丝，就会重定向回到登录页面。因此通过selenium模拟登陆保存cookie，在请求抓取其他页面时在headers中加入cookie信息，就可以抓取了。
这里需要通过selenium webdriver启动浏览器Firefox，因此系统需要安装Firefox，另外需要下载驱动geckodrive，下载地址为： https://github.com/mozilla/geckodriver/releases/
import os
import time
import pickle
from tqdm import *
from selenium import webdriver
from web_crawl.weibo_crawl.settings import config
# 方便完全加载登录页面
def count_time():
for i in tqdm(range(40)):
time.sleep(0.5)
driver = webdriver.Firefox(executable_path = "C:drivergeckodriver.exe")
driver.set_window_size(1640, 688)
driver.get(config.LOGIN_URL)
# 在获取elment之前等待4s，等待页面渲染
count_time()
# 登录
driver.find_element_by_xpath('//input[@id="loginName"]').send_keys(config.ACCOUNT_ID)
driver.find_element_by_xpath('//input[@id="loginPassword"]').send_keys(config.ACCOUNT_PASSWORD)
print('account id: {}'.format(config.ACCOUNT_ID))
print('account password: {}'.format(config.ACCOUNT_PASSWORD))
driver.find_element_by_xpath('//a[@id="loginAction"]').click()
# 获取cookie，并保存cookie。
def save_cookile():
try:
cookie_list = driver.get_cookies()
print(cookie_list)
cookie_string = ''
for cookie in cookie_list:
if 'name' in cookie and 'value' in cookie:
cookie_string += cookie['name'] + '=' + cookie['value'] + ';'
print(cookie_string)
if 'SSOLoginState' in cookie_string:
print("成功获取cookie!{}".format(cookie_string))
if os.path.exists(config.COOKIE_SAVE_PATH):
os.remove(config.COOKIE_SAVE_PATH)
cookie_dict = {}
cookie_dict[config.ACCOUNT_ID] = cookie_string
with open(config.COOKIE_SAVE_PATH, "wb") as f:
pickle.dump(cookie_dict, f)
print("成功保存cookie到文件{}".format(config.COOKIE_SAVE_PATH))
except Exception as e:
print(e)
if __name__ == '__main__':
save_cookile()
确定爬取内容
1）爬取微博的基本信息，获取微博名、关注数、总微博数、粉丝数以及页数
注意爬取xpath路径： 例如爬取微博名： //div/table//div/span[@class='ctt']/text()
# 获取微博的基本信息
def get_weibo_baisc_info(self):
crawl_url = 'http://weibo.cn/%s?filter=%s&page=1' % (self.scrap_id, self.filter_flag)
print("抓取的页面是: {}".format(crawl_url))
html = requests.get(crawl_url, cookies=self.cookie, headers=self.headers).content
# 获取微博内容
print("" + "-" * 30)
print("准备获取微博内容：")
selector = etree.HTML(html)
try:
# 获取微博名
self.user_name = selector.xpath("//div/table//div/span[@class='ctt']/text()")[0]
# print("user_name: ", user_name)
# 获取微博其他信息
# 总微博数
weibo_num = selector.xpath("//div/span[@class='tc']/text()")[0]
self.weibo_num = pattern.findall(weibo_num)[0]
# print("weibo_num: ", weibo_num)
# 关注数
gz_num = selector.xpath("//div[@class='tip2']/a/text()")[0]
self.gz_num = pattern.findall(gz_num)[0]
# print("gz_num: ", gz_num)
# 粉丝数
fs_num = selector.xpath("//div[@class='tip2']/a/text()")[1]
self.fs_num = pattern.findall(fs_num)[0]
# print("fs_num: ", fs_num)
print('当前新浪微博用户{}已经发布的微博数为{}, 他目前关注{}了微博用户, 粉丝数有 {}'.format(self.user_name, self.weibo_num, self.gz_num, self.fs_num))
if selector.xpath("//*[@id='pagelist']/form/div/input[1]") is None:
page_num = 1
else:
# page_num = list(selector.xpath("//*[@id='pagelist']/form/div/input[1]")[0].attrib.iteritems())
# [('name', 'mp'), ('type', 'hidden'), ('value', '14483')]
# 注意抓取的是字符类型
self.page_num = int(selector.xpath("//*[@id='pagelist']/form/div/input[1]")[0].attrib["value"])
print("总共的微博页数: ", self.page_num)
return self.user_name, self.weibo_num, self.gz_num, self.fs_num, self.page_num
except Exception as e:
logging.error(e)
爬取微博内容
注意到爬取微博内容，会遇到"全文"展开问题，做法是先去监测每条微博是否包含"全文"，如果有，则对应抓取链接信息，然后基于链接，再抓取全文内容。 注意在遇到“全文”展开爬取xpath路径： 例如如下微博内容：
对应的DOM为：
做法：
1） 获取包含“全文”的xpath路径，返回list
"div/span[@class='ctt']/a/text()"
2） 判断是否包含“全文”，若包含，则提取全文对应的链接，然后再通过链接去解析获取微博内容。
if "全文" in quanwen_string:
index = quanwen_string.index("全文")
# print(index)
quanwen_url = content[i].xpath("div/span[@class='ctt']/a[%d]/@href" % (index+1))[0]
# print(quanwen_url)
quanwen_url = "https://weibo.cn" + quanwen_url
# print(quanwen_url)
html_quanwen = requests.get(url=quanwen_url, cookies=self.cookie, headers=self.headers).content
selector_quanwen = etree.HTML(html_quanwen)
weibo_text = selector_quanwen.xpath("//div/div/span[@class='ctt']")[0]
# weibo_text = weibo_text.xpath("text()")[0]
weibo_text = "".join(weibo_text.xpath("text()"))
具体的爬取微博内容的整体代码如下：
def get_weibo_content(self):
# # 获取微博基本信息
# user_name, weibo_num, gz_num, fs_num, total_page_num = self.get_weibo_baisc_info()
total_page_num = self.page_num
try:
start_page = 0
# 判断之前是否抓取过，若抓取过判断是否可以增量抓取
if os.path.exists(self.weibo_content_save_file):
with open(self.weibo_content_save_file, "rb") as f:
content_dict = pickle.load(f)
if self.scrap_id in content_dict.keys():
wb_content = content_dict[self.scrap_id]['weibo_content']
start_page = content_dict[self.scrap_id]['last_scrap_page']
# 总页数大于上次之前抓取的页数，因为最新的微博是在第一页，因此抓取的区间位于[0, page_num - start_page]
if total_page_num >= start_page:
print("之前已经抓取过，现在开始增量抓取。。。")
start_page = 0
page_num = total_page_num - start_page
else:
page_num = total_page_num
else:
page_num = total_page_num
# 开始进行抓取
try:
# for page in range(start_page + 1, page_num + 1):
for page in range(start_page + 1, page_num + 1):
url = 'http://weibo.cn/%s?filter=%s&page=%s' % (str(self.scrap_id), str(self.filter_flag), str(page))
html_other = requests.get(url=url, cookies=self.cookie, headers=self.headers).content
selector_other = etree.HTML(html_other)
content = selector_other.xpath("//div[@class='c']")
print("***************************************************")
print("当前解析的是第{}页，总共{}页".format(page, page_num))
# 每5页暂停一会，防止被禁
if page % 5 == 0:
print("等待{}s，以免微博被禁！".format(self.rest_time))
time.sleep(self.rest_time)
# 只有10条数据，但是抓取有12条数据，因此需要进行删除
if len(content) > 3:
for i in range(0, len(content) - 2):
# 抓取的微博条数
self.weibo_scraped += 1
# 获取加密后的id, 方便后续提取评论等数据
detail = content[i].xpath("@id")[0]
comment_url = 'http://weibo.cn/comment/{}?uid={}&rl=0'.format(detail.split('_')[-1],
self.scrap_id)
self.weibo_comment_detail_urls.append(comment_url)
# print("div/a/text(): ", content[i].xpath("div/a/text()"))
# div/a/text(): ['赞[15]', '转发[4]', '评论[8]', '收藏']
# 点赞数
num_zan = content[i].xpath('div/a/text()')[-4]
num_zan = pattern.findall(num_zan)[0]
self.weibo_num_zan_list.append(num_zan)
# 转发数
num_forward = content[i].xpath('div/a/text()')[-3]
num_forward = pattern.findall(num_forward)[0]
self.weibo_num_forward_list.append(num_forward)
# 评论数
num_comment = content[i].xpath('div/a/text()')[-2]
num_comment = pattern.findall(num_comment)[0]
self.weibo_num_comment_list.append(num_comment)
# 判断全文是否展开
quanwen_string = content[i].xpath("div/span[@class='ctt']/a/text()")
# print("quanwen_string: ", quanwen_string)
if "全文" in quanwen_string:
index = quanwen_string.index("全文")
# print(index)
quanwen_url = content[i].xpath("div/span[@class='ctt']/a[%d]/@href" % (index+1))[0]
# print(quanwen_url)
quanwen_url = "https://weibo.cn" + quanwen_url
# print(quanwen_url)
html_quanwen = requests.get(url=quanwen_url, cookies=self.cookie, headers=self.headers).content
selector_quanwen = etree.HTML(html_quanwen)
weibo_text = selector_quanwen.xpath("//div/div/span[@class='ctt']")[0]
# weibo_text = weibo_text.xpath("text()")[0]
weibo_text = "".join(weibo_text.xpath("text()"))
self.weibo_content.append(weibo_text)
# print("1")
print("weibo_text: ", weibo_text)
# print("DONE!")
else:
weibo_text = content[i].xpath("div/span[@class='ctt']")[0]
# 获取当前节点文本
weibo_text = weibo_text.xpath("string(.)")
self.weibo_content.append(weibo_text)
# print(2)
print("weibo_text: ", weibo_text)
# print("DONE!")
self.save_weibo_content(self.user_name, self.weibo_content, page)
except etree.XMLSyntaxError as e:
print("*" * 20)
print('=' * 20)
print("微博用户{}的所有微博已经爬取!".format(self.user_name))
print("总共发了{}条微博，总的点赞数{}，总的转发数{}，总的收藏数{}".format(len(self.weibo_content),
np.sum(self.weibo_num_zan_list),
np.sum(self.weibo_num_forward_list),
np.sum(self.weibo_num_comment_list)))
# 保存微博内容
self.save_weibo_content(self.user_name, self.weibo_content, total_page_num)
except Exception as e:
logging.error(e)
print('' * 2)
print('=' * 20)
print('微博用户 {} 出现内容抓取错误 {}.'.format(self.user_name, e))
print("总共发了{}条微博，总的点赞数{}，总的转发数{}，总的收藏数{}".format(len(self.weibo_content),
np.sum(self.weibo_num_zan_list),
np.sum(self.weibo_num_forward_list),
np.sum(self.weibo_num_comment_list)))
print('现在尝试保存微博内容...')
self.save_weibo_content(self.user_name, self.weibo_content, page)
print('' * 2)
print('=' * 20)
print("总共发了{}条微博，总的点赞数{}，总的转发数{}，总的收藏数{}".format(len(self.weibo_content),
np.sum(self.weibo_num_zan_list),
np.sum(self.weibo_num_forward_list),
np.sum(self.weibo_num_comment_list)))
print('尝试保存微博内容...')
# self.save_weibo_content(self.user_name, self.weibo_content, page)
del self.weibo_content
if self.filter_flag == 0:
print('共' + str(self.weibo_scraped) + '条微博')
else:
print('共' + str(self.weibo_num) + '条微博，其中' + str(self.weibo_scraped) + '条为原创微博')
except IndexError as e:
print('已经获取完微博信息, 当前微博用户{}还没有发布微博.'.format(self.scrap_id))
except KeyboardInterrupt:
print('手动中止... 现在保存微博内容！')
self.save_weibo_content(self.user_name, self.weibo_content, page - 1)
爬取微博内容的结果如下：
'#小情书# 尽管你有很多坏习惯，但这就是...我喜欢的你啊。[心]http://t.cn/Rif3Kfj \u200b\u200b\u200b', '有故事的照片，那些让你看到后就会微笑的美
好瞬间。 \u200b\u200b\u200b\u200b[心][心] \u200b\u200b\u200b', '宋小宝绝对是被小品耽误了的喊麦小王子，幸亏被#食在囧途#给发掘出来了，在马路上千万不要随便听这首#我就这么虎#，否则走路如果走出“全世界劳资最牛X“的姿势，别怪自己莫名其
妙被人打一顿……[doge]http://t.cn/RiXMprG \u200b\u200b\u200b', '4个月大的宝宝Matthew，由于病毒感染导致耳朵失聪。这是他第一次听见声音，表情大亮。[心]秒拍视频 \u200b\u200b\u200b', '#醒醒我的小公主#乐此不疲的嘻嘻哈哈，无休无止的加班
，每个女汉子心里，其实都有个公主梦。 \u200b\u200b\u200b', '与你无缘的人，你与他说话再多也是废话。与你有缘的人，你的存在就能惊醒他所有的感觉。有些人即使在认识数年之后都是陌生的，彼此之间总似有一种隔膜存在，仿佛盛开在彼岸的花朵，遥
遥相对，不可触及。而有些人在出场的一瞬间就是靠近的，仿佛散失之后再次辨认。那种近，有着温暖真实的质感。 \u200b\u200b\u200b', '抱歉，此微博已被作者删除。查看帮助：http://t.cn/Rfd3rQV', '“你喜欢的人也是凡人，你的喜欢为他镀上金身。
” \u200b\u200b\u200b', '#三亚汇爱婚礼# 春暖花开，海风习习。蓝天白云下繁花似锦、万紫千红、缤纷浪漫；白如雪、粉如樱、紫如霞。芬芳馥郁的花儿一如你的笑靥清新可人，温婉甜美。十指相扣便是良辰，愿携你手阅尽人生芳华。布置于三亚艾迪逊酒
店 \u200b\u200b\u200b', '什么样的长相是丑好看逆天？[doge] \u200b\u200b\u200b', '异地恋最大的惊喜，也许就是突然对方出现在你面前吧~[心]
爬取微博内容和评论
# 抓取微博正文和评论并保存到mongodb中
def get_content_and_comment_to_db(self, limit=10):
# 开始进行抓取, 出于简单考虑这里不考虑抓取过
start_page = 0
try:
for page in range(start_page + 1, self.page_num + 1):
url = 'http://weibo.cn/%s?filter=%s&page=%s' % (str(self.scrap_id), str(self.filter_flag), str(page))
html_other = requests.get(url=url, cookies=self.cookie, headers=self.headers).content
selector_other = etree.HTML(html_other)
content = selector_other.xpath("//div[@class='c']")
print("***************************************************")
print("当前解析的是第{}页，总共{}页".format(page, self.page_num))
# 每5页暂停一会，防止被禁
if page % 5 == 0:
print("等待{}s，以免微博被禁！".format(self.rest_time))
time.sleep(self.rest_time)
# 只有10条数据，但是抓取有12条数据，因此需要进行删除
if len(content) > 3:
for i in range(0, len(content) - 2):
# 抓取的微博条数
self.weibo_scraped += 1
# 获取加密后的id, 方便后续提取评论等数据
detail = content[i].xpath("@id")[0]
comment_url = 'http://weibo.cn/comment/{}?uid={}&rl=0'.format(detail.split('_')[-1],
self.scrap_id)
self.weibo_comment_detail_urls.append(comment_url)
# 点赞数
num_zan = content[i].xpath('div/a/text()')[-4]
num_zan = pattern.findall(num_zan)[0]
self.weibo_num_zan_list.append(num_zan)
# 转发数
num_forward = content[i].xpath('div/a/text()')[-3]
num_forward = pattern.findall(num_forward)[0]
self.weibo_num_forward_list.append(num_forward)
# 评论数
num_comment = content[i].xpath('div/a/text()')[-2]
num_comment = pattern.findall(num_comment)[0]
self.weibo_num_comment_list.append(num_comment)
# 判断全文是否展开
quanwen_string = content[i].xpath("div/span[@class='ctt']/a/text()")
if "全文" in quanwen_string:
index = quanwen_string.index("全文")
quanwen_url = content[i].xpath("div/span[@class='ctt']/a[%d]/@href" % (index + 1))[0]
quanwen_url = "https://weibo.cn" + quanwen_url
html_quanwen = requests.get(url=quanwen_url, cookies=self.cookie,
headers=self.headers).content
selector_quanwen = etree.HTML(html_quanwen)
weibo_text = selector_quanwen.xpath("//div/div/span[@class='ctt']")[0]
weibo_text = "".join(weibo_text.xpath("text()"))
self.weibo_content.append(weibo_text)
else:
weibo_text = content[i].xpath("div/span[@class='ctt']")[0]
# 获取当前节点文本
weibo_text = weibo_text.xpath("string(.)")
self.weibo_content.append(weibo_text)
# 抓取评论数据
print("正在获取对应的评论数据。。。")
content_and_comment_dict = {}
print("开始从{}解析微博评论：".format(comment_url))
html_detail = requests.get(comment_url, cookies=self.cookie, headers=self.headers).content
selector_detail = etree.HTML(html_detail)
# 如果当前微博没有评论，跳过它
if selector_detail.xpath("//div[@id='pagelist']//div/input[1]/@value") is None:
continue
else:
all_comment_pages = int(selector_detail.xpath("//div[@id='pagelist']//div/input[1]/@value")[0])
print(all_comment_pages)
print('这是{}的微博：'.format(self.user_name))
print('微博内容： {}'.format(weibo_text))
print('接下来是下面的评论：')
content_and_comment_dict["content"] = weibo_text
content_and_comment_dict["comment"] = []
content_and_comment_dict["url"] = comment_url
# start_idx = 0
# 限制抓取指定数量的评论
end_idx = all_comment_pages - 2
if end_idx > limit:
end_idx = limit
for page in range(1, end_idx):
print("当前解析的页面是{}, 总页面{}。".format(page, end_idx))
# 每隔5页，稍微暂停
if page % 5 == 0:
rest_time = np.random.randint(self.rest_min_time, self.rest_max_time)
time.sleep(rest_time)
# 从第二页开始爬取，第一页有一些噪音
detail_comment_url = comment_url + "&page=" + str(page + 1)
print(detail_comment_url)
# 开始解析页面
html_detail_page = requests.get(url=detail_comment_url, cookies=self.cookie,
headers=self.headers).content
selector_comment_detail = etree.HTML(html_detail_page)
# starts-with 顾名思义，匹配一个属性开始位置的关键字; contains匹配一个属性值中包含的字符串
comment_list = selector_comment_detail.xpath("//div[starts-with(@id, 'C_')]")
for comment in comment_list:
single_comment_user_name = comment.xpath("a[1]/text()")[0]
# count: Returns the number of nodes for a given XPath 返回指定xpath的节点数
if comment.xpath('span[1][count(*)=0]'):
single_comment_content = comment.xpath('span[1][count(*)=0]/text()')[0]
else:
span_element = comment.xpath('span[1]')[0]
at_user_name = span_element.xpath('a/text()')[0]
at_user_name = '$' + at_user_name.split('@')[-1] + '$'
single_comment_content = span_element.xpath('/text()')
single_comment_content.insert(1, at_user_name)
single_comment_content = ' '.join(single_comment_content)
full_single_comment = '<' + single_comment_user_name + '>' + ': ' + single_comment_content
print(full_single_comment)
content_and_comment_dict['comment'].append(full_single_comment)
content_and_comment_dict['last_idx'] = page
mongodb.insert(content_and_comment_dict)
except Exception as e:
logging.error('在获取微博内容和评论的过程中抛出异常, error:', e)
print('' * 2)
print('=' * 20)
爬取微博内容和评论的结果如下：
准备获取微博内容：
当前新浪微博用户思想聚焦已经发布的微博数为73166, 他目前关注1702了微博用户, 粉丝数有 25231899
总共的微博页数: 7361
***************************************************
当前解析的是第1页，总共7361页
正在获取对应的评论数据。。。
开始从http://weibo.cn/comment/EwLwbivqE?uid=1742566624&rl=0解析微博评论：
3891
这是思想聚焦的微博：
微博内容： 嗯 夏天结束了
接下来是下面的评论：
当前解析的页面是1, 总页面10。
http://weibo.cn/comment/GxUMXmsCT?uid=1742566624&rl=0&page=2
<南风喵喵_>: 就是说 春天快来了么[喵喵]
<千诱于野>: 今晚月色真美
<假如你也是一只猫>: 嗯 夏天结束了
: 但是秋天的温度真的舒服 秋天说不定恋爱才刚刚开始[doge]
: 戏足
<七月的流萤照冷>: 那冬天结束了的意思就是要死了？
mongodb的数据存储如下：
总结： 目前抓取指定id的7350多页的微博内容没有遇到任何问题。后面会基于爬取的内容构建高质量的聊天语料，
Python很容易学！小编有弄一个交流，互问互答，资源共享的交流学习基地，如果你也是Python的学习者或者大牛都欢迎你来！㪊：548+377+875！一起 学习共同进步！
网友评论