测试开发Python培训：抓取新浪微博抓取数据-技术篇

poptest是国内唯一一家培养测试开发工程师的培训机构，以学员能胜任自动化测试，性能测试，测试工具开发等工作为目标。在poptest的selenium的课程中，我们在培训的课程里讲python的语言，也是通过项目实战的方式进行讲解，前期分享了个新浪微博的登陆功能，这次在通过抓取新浪微博数据进一步讲解脚本。（大家对课程感兴趣，请加qq：564202718）

微博有发布微博功能，微博发布后需要验证内容，那么如何验证微博发布数据的正确性，首先要获取微博上的数据，下面我们就用爬虫技术来实现抓取数据，在Poptest课堂上我们用另外一个商业项目来做的案例实现，在这里为了大家都能学习到我用微博来举例。 报名学习课程请加qq：564202718

# import 这边需要注意的是只有一个rsa这个模块是需要install的，其他的都是内置importre , urllib.parse , urllib.request , http.cookiejar , base64 , binascii , rsa# 以下4行代码说简单点就是让你接下来的所有get和post请求都带上已经获取的cookie，因为稍大些的网站的登陆验证全靠cookiecj=http.cookiejar.LWPCookieJar()cookie_support=urllib.request.HTTPCookieProcessor(cj)opener=urllib.request.build_opener(cookie_support , urllib.request.HTTPHandler)urllib.request.install_opener(opener)# 封装一个用于get的函数，新浪微博这边get出来的内容编码都是-8，所以把utf-8写死在里边了，真实项目中建议根据内容实际编码来决定defgetData(url) :request=urllib.request.Request(url)response=urllib.request.urlopen(request)text=response.read().decode('utf-8')returntext# 封装一个用于post的函数，验证密码和用户名都是post的，所以这个postData在本demo中专门用于验证用户名和密码defpostData(url , data) :# headers需要我们自己来模拟headers={'User-Agent':'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)'}# 这里的urlencode用于把一个请求对象用'&'来接来字符串化，接着就是编码成utf-8data=urllib.parse.urlencode(data).encode('utf-8')request=urllib.request.Request(url , data , headers)response=urllib.request.urlopen(request)text=response.read().decode('gbk')returntextdeflogin_weibo(nick , pwd) :#==========================获取servertime , pcid , pubkey , rsakv===========================# 预登陆请求，获取到若干参数prelogin_url='/sso/prelogin.php?entry=weibo&callback=sinaSSOController.preloginCallBack&su=%s&rsakt=mod&checkpin=1&client=ssologin.js(v1.4.15)&_=1400822309846'%nickpreLogin=getData(prelogin_url)# 下面获取的四个值都是接下来要使用的servertime=re.findall('"servertime":(.*?),', preLogin)[0]pubkey=re.findall('"pubkey":"(.*?)",', preLogin)[0]rsakv=re.findall('"rsakv":"(.*?)",', preLogin)[0]nonce=re.findall('"nonce":"(.*?)",', preLogin)[0]#===============对用户名和密码加密================# 好，你已经来到登陆新浪微博最难的一部分了，如果这部分没有大神出来指点一下，那就真是太难了，我也不想多说什么，反正就是各种加密，最后形成了加密后的su和spsu=base64.b64encode(bytes(urllib.request.quote(nick) , encoding='utf-8'))rsaPublickey=int(pubkey ,16)key=rsa.PublicKey(rsaPublickey ,65537)# 稍微说一下的是在我网上搜到的文章中，有些文章里并没有对拼接起来的字符串进行bytes，这是python3的新方法好像是。rsa.encrypt需要一个字节参数，这一点和之前不一样。其实上面的base64.b64encode也一样message=bytes(str(servertime)+'\t'+str(nonce)+'\n'+str(pwd) , encoding='utf-8')sp=binascii.b2a_hex(rsa.encrypt(message , key))#=======================登录=======================#param就是激动人心的登陆post参数，这个参数用到了若干个上面第一步获取到的数据，可说的不多param={'entry':'weibo','gateway':1,'from': '' , 'savestate' : 7 , 'useticket' : 1 , 'pagerefer' : 'http:///sso/logout.php?entry=miniblog&r=http%3A%2F%2Fweibo.com%2Flogout.php%3Fbackurl%3D' , 'vsnf' : 1 , 'su' : su , 'service' : 'miniblog' , 'servertime' : servertime , 'nonce' : nonce , 'pwencode' : 'rsa2' , 'rsakv' : rsakv , 'sp' : sp , 'sr' : '1680*1050' ,'encoding':'UTF-8','prelt':961,'url':'/ajaxlogin.php?framelogin=1&callback=parent.sinaSSOController.feedBackUrlCallBack'}# 这里就是使用postData的唯一一处，也很简单s=postData('/sso/login.php?client=ssologin.js(v1.4.15)', param)# 好了，当你的代码执行到这里时，已经完成了大部分了，可是有很多爬虫童鞋跟我一样还就栽在了这里，假如你跳过这里直接去执行获取粉丝的这几行代码你就会发现你获取的到还是让你登陆的页面，真郁闷啊，我就栽在这里长达一天啊# 好了，我们还是继续。这个urll是登陆之后新浪返回的一段脚本中定义的一个进一步登陆的url，之前还都是获取参数和验证之类的，这一步才是真正的登陆，所以你还需要再一次把这个urll获取到并用get登陆即可urll=re.findall("location.replace\(\'(.*?)\'\);", s)[0]getData(urll)#======================获取粉丝====================# 如果你没有跳过刚才那个urll来到这里的话，那么恭喜你！你成功了，接下来就是你在新浪微博里畅爬的时候了，获取到任何你想获取到的数据了！# 可以尝试着获取你自己的微博主页看看，你就会发现那是一个多大几百kb的文件了text=getData('/527891819/home?wvr=5&lf=reg')fp=open('yeah.txt','w', encoding='utf-8')fp.write(text)fp.close()login_weibo('你的微博邮箱','你的微博密码')