【Python爬虫实例学习篇】——5、【超详细记录】从爬取微博评论数据（免登陆）到生成词云
个人博客地址：ht/tps:///
精彩部分提醒：
（1）微博评论页详情链接为一个js脚本
（2）获取js脚本链接需要该条微博的mid参数
（3）获取mid参数需要访问微博主页
（4）访问微博主页需要先进行访客认证
（5）微博主页几乎是由弹窗构成，所有html代码被隐藏在FM.view()函数的参数中，该参数是json格式
工具：
Python 3.6requests 库json 库lxml 库urllib 库jieba 库（进行分词）WordCloud 库（产生词云）
目录：
爬取微博评论数据GetWeiBoRemark.py生成词云
1、爬取微博篇论数据
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，发现其链接为一个js脚本，那么尝试用fddler看看能不能抓到这个js脚本的包，得到这个js的地址。
找到疑似js包，将数据解码，确认是我们要找的包。
同时，根据“查看更多”可以确定跳转的链接，将这一结果在json解析结果中搜索，可以进一步确定这个js包就是我们要找的包。接下来需要确定这个js包是来源于哪。
第二步：找到js包地址
js包地址为：“/aj/v6/comment/small?ajwvr=6&act=list&mid=4465267293291962&uid=3655689037&isMain=true&dissDataFromFeed=%5Bobject%20Object%5D&ouid=2656274875&location=page_100206_home&comment_type=0&_t=0&__rnd=1580130440282”，链接很长，且参数很多，根据以往经验，我们尝试删除一些参数进行访问测试。
经过测试发现只需mid这一个参数即可获取该数据包。
所以有效js包地址为：”/aj/v6/comment/small?mid=4465267293291962“。
那么，接下来的工作就是去寻找mid这以参数的值（猜测应该是微博的唯一序列号）。在Fiddler中搜索“mid=4465267293291962”可以发现在央视新闻首页中，每条微博里面都包含了该微博的mid信息。 用
用XPath Helper进行调试，没有问题，接下来在python上实现这部分代码，（经过后面测试发现获取评论数据只需获取微博的mid即可，因此下面这几步可以跳过，但是为例保证探索过程的完整性，我将其留在了这里）
得到评论页的代码：
import requestsfrom lxml import etreerequests.packages.urllib3.disable_warnings()name="cctvxinwen"home_url='/'+nameheaders={"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")
本以为可以轻松获取新闻主页，结果发现若是没有附带cookie的话，会自动跳转到微博登陆验证页面。
用chrome的无痕访问结合fiddler，重新抓包，可以清晰的发现微博的验证登陆流程。其中最重要的是第11号包，其余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号包访问链接中参数的数据。
对于我们的爬虫来说，只需要从第8号包开始访问即可，8号包需要提交的数据为(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"}
需要注意的是，在使用requests库时，需要向协议头中添加：
‘Content-Type’: ‘application/x-www-form-urlencoded’，否则返回数据为空。
9号包的链接为：
“/visitor/visitor?a=incarnate&t=39dNzddUHqqZOWZQbMiDrOvkea/y7s06WFyX%2BzsGk8w%3D&w=2&c=095&gc=&cb=cross_domain&from=weibo&_rand=0.5282100349168277”，其中_rand参数可以忽略。这里需要注意，添加tid参数时，tid参数需要url编码。
在完成9号包的访问后，就可以获取央视新闻微博的主页了：
第三步：获取评论页链接
在这里有一个很有意思的现象，当我在网页用xpath helper调试的时候，能够非常容易的获取对应的属性值，但是一旦将该xpath语法应用与python中进行解析时，总是得到空的数据。经过一番调试发现，是由于微博这个 ==“欧盟隐私弹窗”==所致。所有我们需要的数据全部被隐藏在这个弹窗之中，微博页面的所有内容通过调用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 requestsimport jsonfrom urllib import parsefrom lxml import etreerequests.packages.urllib3.disable_warnings()session = requests.session()session.verify = Falsesession.timeout = 20name = "cctvxinwen"home_url = '/' + nameurl1 = "/visitor/genvisitor"urljs='/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tidheaders.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cookieurl2 = "/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，我们非常容易的就能找到评论数据的json包，如图所示：
该json包的链接为：“/aj/v6/comment/big?ajwvr=6&id=4466098865136889&root_comment_max_id=206048831614549&root_comment_max_id_type=0&root_comment_ext_param=&page=4&filter=hot&sum_comment_number=13481&filter_tips_before=1&from=singleWeiBo&__rnd=1580364082863”
其中，有效json包链接为：“/aj/v6/comment/big?ajwvr=6&id=4466098865136889&page=1&from=singleWeiBo”。获取json包之后，既可以提取出评论数据，其代码如下(由于该json包不需要其他参数，需要额外提供mid和sum_comment_number参数即可，因此我们在获取mid后可以直接跳到这一步)：，经过测试，若不提供sum_comment_number参数只能提取前几页的微博评论。
爬取评论如下：
2、 GetWeiBoRemark.py
import requestsimport jsonfrom urllib import parsefrom lxml import etree# 预设requests.packages.urllib3.disable_warnings()session = requests.session()session.verify = Falsesession.timeout = 20headers = {"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参数代表微博主页的名称# index参数代表目标微博的序号# num代表要爬的评论数，-1代表所有评论# 返回结果为评论列表home_url = '/' + nametid = 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_datadef get_tid():# 获取tidurl1 = "/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'})res=session.post(url=url1, headers=headers, data=data).content.decode('utf-8')[36:-2]tid = json.loads(res)['data']['tid']del headers['Content-Type']return tiddef get_cookie(tid, session=session):# 获取访客cookieurl2 = "/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,try_num=0): # 经@pppppp040提醒，已于/3/4修复不能获取mids的问题# 访问微博主页，解析获取评论页面# 要想获取mids，必须先获取cookieres = session.get(url=home_url, headers=headers).contenthtml = etree.HTML(res)# 含有mid的html代码被隐藏在这一个json中mid_scripts = html.xpath("//script")for mid_script in mid_scripts:try:mid_json=json.loads(mid_script.text[8:-1])mid_html=etree.HTML(mid_json['html'])name=mid_html.xpath("//div/@tbinfo")mids = mid_html.xpath("//div[@tbinfo='"+ name[0] +"']/@mid")print("//div[@tbinfo="+ name[0] +"]/@mid")print(mids[0])breakexcept:continuereturn midsdef get_remarkdata(num, mids, index=1):# 获取评论数据url_remarkdata = '/aj/v6/comment/big?ajwvr=6&id={mid}&page={page}&sum_comment_number={comment_number}&from=singleWeiBo'page = 1remark_data_new = []current_num = 0while True:print("-" * 50)url_remarkdata_new = url_remarkdata.format(mid=str(mids[index]),comment_number=str(current_num),page=str(page))page = page + 1print("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_numelif num > remark_num:num = remark_numfor 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):breakreturn remark_data_newdef save_remarkdata(name,data):with open(name,'w',encoding='utf-8') as fp:fp.write(data)fp.flush()fp.close()
结果展示：
3、生成词云
代码如下：
from wordcloud import WordCloudimport matplotlib.pyplot as pltimport jiebaimport GetWeiBoRemarkdef 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__':# cctvxinwenremark_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条数据做出的词云：
词云就不展示了。。。
