使用python进行新浪微博粉丝爬虫

由于最近没事在学python，正好最近也想趴下新浪微博上边的一些数据，在这里主要爬去的是一个人的粉丝具体信息（微博昵称,个人介绍，地址，通过什么方式进行关注），所以就学以致用，通过python来爬去微博上边的数据。

首先先说下环境啊，使用的是python3.5，然后使用的框架有：

requests：用来获取html页面。

BeautifulSoup：用来进行html的解析，是一个在python爬虫中非常好用的一个工具，并且有中文的说明文档，链接是：/software/BeautifulSoup/bs4/doc/index.zh.html。可以看其中具体的一些函数的使用的方法。

通过这两个，则就可以实现我们想要实现的功能了。

然后第二步，则是我们需要模拟微博进行登录，因为你会发现，如果你不登录，是无法看一个人的具体的粉丝信息的，因此我们需要自己登录下新浪微博，然后通过调试工具，把cookie复制出来，这样才能够进行爬虫。,怎么获取cookie，在这进行一个简单的介绍，登陆后看到个人主页后，打开开发者工具，然后选择network:

然后复制下这个cookie，在爬虫中需要用到，接下来就上代码了：

主程序类代码：

import requestsfrom html.parser import HTMLParserimport personfrom bs4 import BeautifulSoupimport json#获取的cookie值存放在这myHeader = {"Cookie":"SINAGLOBAL=1151648924265.729.1510207774298; YF-V5-G0=a9b587b1791ab233f24db4e09dad383c; login_sid_t=663888f6033b6f4a8f5fa48b26d9eb17; YF-Ugrow-G0=ea90f703b7694b74b62d38420b5273df; _s_tentry=; Apache=9283625770163.1.1512087277478; ULV=1512087277483:2:1:1:9283625770163.1.1512087277478:1510207774304; SSOLoginState=1512087292; wvr=6; YF-Page-G0=451b3eb7a5a4008f8b81de1fcc8cf90e; cross_origin_proto=SSL; WBStorage=82ca67f06fa80da0|undefined; crossidccode=CODE-gz-1ElEPq-16RrfZ-qpysbLqGTWJetzH095150; SCF=AnQFFpBKBne2YCQtu52G1zEuEpkY1WI_QdgCdIs-ANt1_wzGQ0_VgvzYW7PLnswMwwJgI9T3YeRDGsWhfOwoLBs.; SUB=_2A253IOm1DeThGeNG6lsU-CjOzTWIHXVUVFx9rDV8PUNbmtBeLWTSkW9NS2IjRFgpnHs1R3f_H3nB67BbC--9b_Hb; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9W5fUsSPaZjP3cB4EXR8M3gT5JpX5KzhUgL.Fo-ReK.f1hqESo.2dJLoIEXLxK.L1hzLBKeLxK-LBo.LBoBLxKML1-zL1-zLxK-LBKBL12qLxK-L1K-L122t; SUHB=0wnlry4ys0tunb; ALF=1543884132; wb_cusLike_5819586269=N; UOR=,,"}#要爬去的账号的粉丝列表页面的地址

r = requests.get('/p/1005051678105910/follow?relate=fans&from=100505&wvr=6&mod=headfans&current=fans#place',headers=myHeader)f = open("test.html", "w", encoding="UTF-8")parser = HTMLParser()parser.feed(r.text)htmlStr = r.text# 通过script来切割后边的几个通过js来显示的json数组，通过观看源代码fansStr = htmlStr.split("</script>")#因为在测试的时候，发现微博每一次返回的dom的顺序不一样，粉丝列表的dom和一个其他内容的dom的位置一直交替，所以在这加了一个判断tmpJson = fansStr[-2][17:-1] if fansStr[-2][17:-1].__len__()>fansStr[-3][17:-1].__len__() else fansStr[-3][17:-1]dict = json.loads(tmpJson)soup = BeautifulSoup(dict['html'], 'html')soup.prettify()f.write(soup.prettify())for divTag in soup.find_all('div'):if divTag['class'] == ["follow_inner"]:followTag = divTagif locals().get("followTag"):for personTag in followTag.find_all('dl'):p = person.person(personTag)print(p.__dict__)

person类代码：

在这中间进行主要的解析

from bs4 import BeautifulSoup

#具体解析在这class person(object):def __init__(self, personTag = None):self.analysis(personTag)def analysis(self,personTag):self.analysisName(personTag)self.analysisFollowAndFansNumber(personTag)self.analysisCity(personTag)self.analysisIntroduce(personTag)self.analysisFollowWay(personTag)self.analysisID(personTag)def analysisName(self,personTag):self.name = personTag.div.a.stringdef analysisFollowAndFansNumber(self,personTag):for divTag in personTag.find_all('div'):if divTag['class'] == ["info_connect"]:infoTag = divTagif locals().get("infoTag"):self.followNumber = infoTag.find_all('span')[0].em.stringself.fansNumber = infoTag.find_all('span')[1].em.a.stringself.assay = infoTag.find_all('span')[2].em.a.stringdef analysisCity(self,personTag):for divTag in personTag.find_all('div'):if divTag['class'] == ['info_add']:addressTag = divTagif locals().get('addressTag'):self.address = addressTag.span.stringdef analysisIntroduce(self,personTag):for divTag in personTag.find_all('div'):if divTag['class'] == ['info_intro']:introduceTag = divTagif locals().get('introduceTag'):self.introduce = introduceTag.span.stringdef analysisFollowWay(self,personTag):for divTag in personTag.find_all('div'):if divTag['class'] == ['info_from']:fromTag = divTagif locals().get('fromTag'):self.fromInfo = fromTag.a.stringdef analysisID(self,personTag):personRel = personTag.dt.a['href']self.id = personRel[personRel.find('=')+1:-5]+personRel[3:personRel.find('?')]

在这里爬去的是孙俪下边的第一页列表的微博的粉丝，结果如下截图：

其实这个相对还是比较简单的，主要比较麻烦的是需要看新浪的html的源代码，需要了解其显示的规律，然后使用beautiful soup进行解析节点，获取数据。