前言：
前段時間爬取的知乎表情包用完了嗎？今天再帶大家去微博爬一波表情包吧。廢話不多說，讓我們愉快地開始吧~
開發工具
Python****版本：3.6.4
相關模塊：
DecryptLogin模塊；
argparse模塊；
requests模塊；
prettytable模塊；
tqdm模塊；
lxml模塊；
fake_useragent模塊；
以及一些Python自帶的模塊。
環境搭建
安裝Python並添加到環境變量，pip安裝需要的相關模塊即可。
原理簡介
本來這個爬蟲是想作為講python異步爬蟲的一個例子的，昨天代碼寫完測試了一下，結果是我微博賬號和ip都直接被封了(並發數設的500）。
然后我去谷歌搜了一下別人寫的異步爬蟲教程，測試用的都是些沒啥反爬措施的小網站。
於是今天改了下代碼，就先整個普普通通的微博小爬蟲算了。
言歸正傳，和之前的微博爬蟲類似，我們還是先利用DecryptLogin進行微博賬戶的模擬登錄：
'''模擬登錄'''
@staticmethod
def login(username, password):
lg = login.Login()
_, session = lg.weibo(username, password, 'mobile')
return session
然后讓使用者輸入目標微博用戶的id：
user_id = input('請輸入目標用戶ID(例如: 2168613091) ——> ')
微博用戶id在這可以看到：
根據用戶輸入的微博用戶id，我們訪問如下兩個鏈接：
url = f'https://weibo.cn/{user_id}'
url = f'https://weibo.cn/{user_id}/info'
然后利用xpath提取用戶的基本信息：
打印這些信息，讓使用者確認自己輸入的微博用戶id是否無誤：
tb = prettytable.PrettyTable()
tb.field_names = ['用戶名', '關注數量', '被關注數量', '微博數量', '微博頁數']
tb.add_row([nickname, num_followings, num_followers, num_wbs, num_wb_pages])
print('獲取的用戶信息如下:')
print(tb)
is_download = input('是否爬取該微博用戶發的所有圖片?(y/n, 默認: y) ——> ')
如果無誤，就開始爬取該用戶發的所有微博里的圖片：
'''下載所有圖片'''
def __downloadImages(self, userinfos, savedir):
# 一些必要的信息
num_wbs = userinfos.get('num_wbs')
user_id = userinfos.get('user_id')
num_wb_pages = userinfos.get('num_wb_pages')
# 提取圖片鏈接並下載圖片
page_block_size = random.randint(1, 5)
page_block_count = 0
for page in tqdm(range(1, num_wb_pages+1)):
# --提取圖片鏈接
response = self.session.get(f'https://weibo.cn/{user_id}?page={page}', headers=self.headers)
image_urls = self.__extractImageUrls(response)
# --下載圖片
for url in image_urls:
try:
res = requests.get(url, headers={'user-agent': self.ua.random}, stream=True)
with open(os.path.join(savedir, url.split('/')[-1]), 'wb') as fp:
for chunk in res.iter_content(chunk_size=32):
fp.write(chunk)
print('[INFO]: Download an image from: ', url)
except:
pass
# --避免給服務器帶來過大壓力and避免被封, 每爬幾頁程序就休息一下
page_block_count += 1
if page_block_count % page_block_size == 0:
time.sleep(random.randint(6, 12))
page_block_size = random.randint(1, 5)
page_block_count = 0
這里避免爬蟲被BAN的措施主要有以下幾點：
-
每爬n頁數據就暫停x秒，其中n是隨機生成的，且n一直在變化，x也是隨機生成的，且x也一直在變化；
-
下載圖片時，使用隨機的ua，並且不使用登錄后的session來請求圖片鏈接來下載該圖片。
從返回的微博頁內容里提取圖片鏈接時，需要注意：
-
對轉發微博的微博id和原創微博的微博id提取方式不同；
-
只有單張圖片的微博和有多張圖片的微博提取圖片鏈接的方式是不同的；
-
有時候圖片鏈接提取會出錯，http變成了ttp，所以需要對提取的圖片鏈接進行后處理，然后再去請求這些鏈接來下載圖片。
大體的思路就是這樣，因為其實沒啥難點，就是用xpath來提取我們需要的信息就行了，所以就這么粗略地介紹一下吧。T_T
完整的源代碼詳見相關文件唄~
效果展示
運行方式：
python weiboEmoji.py --username 用戶名 --password 密碼
文章到這里就結束了，感謝你的觀看，Python模擬登錄系列系列，下篇文章大吼一聲來發條微博