Python 爬取微博热搜页面

前期准备：

fiddler 抓包工具

python3.6

谷歌浏览器

分析：

1.清理浏览器缓存cookie以至于看到整个请求过程，因为Python代码开始请求的时候不带任何缓存。

2.不考虑过多的header参数，先请求一次，看看返回结果

图中第一个链接是无缓存cookie直接访问的，状态码为302进行了重定向，用返回值.url会得到该url后面会用到（headers里的Referer参数值）

2 ，3 链接没有用太大用处为第 4 个链接做铺垫但是都可以用固定参数可以不用访问

cb 和fp参数都是前两个链接确定出来的参数（js文件采集的设备信息）

第四个链接会返回一个数据字典（里面有tid，为第五次访问做铺垫）

访问https://passport.weibo.com/visitor/genvisitor ，cookie为tid=__095,注意tid需要去掉转义字符‘\’,get传的参数有用的只有t也就是tid 其他都是固定值 、_rand是浮点随机数没啥具体的意义可以用Python的random.random()函数，需要导入random库，get传参使用params=,post传参用data=,不是随便都能用的

得www.cppcns.com到返回值 含有SUB 和SUBP参数的值

正好是访问最后一个链接也就是热搜榜需要的cookie的值

到此分析结束

代码：

import requests
import random
import re
import urllib3
#警告忽略
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)
class Wb():
  def __init__(self):
   #利用session保持回话
    self.session=requests.Session()
    #清理headers字典，不然update好像不会起作用
    self.session.headers.clear()

    self.header={
      "Host": "weibo.com",
      "Connection": "keep-alive",
      "Upgrade-Insecure-Requests": "1",
      "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) "
           http://www.cppcns.com  "AppleWebKit/537.36 (KHTML, like Gecko) "
             "Chrome/86.0.4240.198 Safari/537.36",
      "Accept": "text/html,application/xhtml+xml,application/xml;"
           "q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,"
           "application/signed-exchange;v=b3;q=0.9",
      "Sec-Fetch-Site": "cross-site",
      "Sec-Fetch-Mode": "navigate",
      "Sec-Fetch-Dest": "document",
      "Accept-Encoding": "gzip, deflate, br",
      "Accept-Language": "zh-CN,zh;q=0.9",
    }
    #设置代理如果需要fiddler抓包分析代码提交的参数使用下面代理如果不使用选择下面的代码self.fiddler_proxies=None
    self.fiddler_proxies = {'http': 'http://127.0.0.1:8888', 'https': 'http://127.0.0.1:8888'}
    # self.fiddler_proxies=None


  def get_top_summary(self):
   #更新添加header  headers.update只会覆盖相同键值的值不会覆盖全部
    self.session.headers.update(self.header)
    #verify=False 不检查证书
    response=self.session.get(url="https://weibo.com/",proxies=self.fiddler_proxies,verify=False)
    print(response.url)
    response.encoding='gbk'
    data1={
      "cb":"gen_callback",
      "fp":'{"os":"1","browser":"Chrome86,0,4240,198",'
        '"fonts":"undefined","screenInfo":"1920*1080*24",'
        '"plugins":"Portable Document Format::internal-pdf-viewer::'
        'Chromium PDF Plugin|:http://www.cppcns.com:mhjfbmdgcfjbbpaeojofohoefgiehjai::'
        'Chromium PDF Viewer|::internal-nacl-plugin::Native Client"}'
    }
    header1={
      "Host": "passport.weibo.com",
      "Cache-Control": "max-age=0",
      "If-Modified-Since": "0"IbYoQ,
      "Content-Type": "application/x-www-form-urlencoded",
      "Accept": "*/*",
      "Origin": "https://passport.weibo.com",
      "Sec-Fetch-Site": "same-origin",
      "Sec-Fetch-Mode": "cors",
      "Sec-Fetch-Dest": "empty",
      "Referer": response.url,
    }
    self.session.headers.update(header1)
    response1=self.session.post(url="https://passport.weibo.com/visitor/genvisitor"
                  ,data=data1,proxies=self.fiddler_proxies,verify=False)
    #利用正则表达式解析tid参数的值
    t=re.search('{"tid":"(.*)","new_tid"',response1.text).groups()[0]
    data2={
      "a":"incarnate",
      "t":t.replace("\\",""),
      "w": "2",
      "c": "095",
      "gc":"",
      "cb":"cross_domain",
      "from":"weibo",
      "_rand":random.random()
    }
    header2={
      "Sec-Fetch-Mode": "no-cors",
      "Sec-Fetch-Dest": "script",
      "Cookie":"tid="+t.replace("\\","")+"__095"
    }
    self.session.headers.update(header2)
    response2 = self.session.get(url="https://passport.weibo.com/visitor/visitor",
                  params=data2,proxies=self.fiddler_proxies,verify=False)
    #从返回值中获取cookie字典
    cookie = requests.utils.dict_from_cookiejar(response2.cookies)


    header3={
      "Cookie":"SUB="+cookie["SUB"]+";"+"SUBP="+cookie["SUBP"],
      "Host": "s.weibo.com",
      "Upgrade-Insecure-Requests": "1"

    }
    IbYoQself.session.headers.update(header3)
    response3=self.session.get(url="https://s.weibo.com/top/summary",
                 proxies=self.fiddler_proxies,verify=False)
    # print(response3.text)


if __name__ == '__main__':
  wb=Wb()
  wb.get_top_summary()

至此只能得到原始的html页面，想要进一步操作需要在HTML里面提取有用的数据。。。。。。

爬虫初期需要更多的是耐心

到此这篇关于Python 爬取微博热搜页面的文章就介绍到这了,更多相关Python 爬取微博热搜页面内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！