分类目录:《Python爬虫从入门到精通》总目录
本文为实战篇,需提前学习Python爬虫从入门到精通中《基本库requests的使用》和《Ajax数据爬取(一):基本原理》、《Ajax数据爬取(二):分析方法》和《Ajax数据爬取(三):结果提取》的内容。
这里我们用程序模拟这些Ajax请求,将我的前10页微博全部爬取下来。
首先,定义一个方法来获取每次请求的结果。在请求时,page是一个可变参数,所以我们将它作为方法的参数传递进来,
from urllib.parse import urlencode
import requests
base_url = 'https://m.weibo.cn/api/container/getIndex?'
headers = {
'Host': 'm.weibo.cn',
'Referer': 'https://m.weibo.cn/u/2145291155',
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
'X-Requested-With': 'XMLHttpRequest',
}
def get_page(page):
params = {
'type': 'uid',
'value': '2145291155',
'containerid': '1076032145291155',
'page': page
}
url = base_url + urlencode(params)
try:
response = requests.get(url, heafers=headers)
if response.status_code == 200:
return response.json()
except requests.ConnectionError as e:
print('Error', e.args)
首先,这里定义了base_url
来表示请求的URL的前半部分。接下来,构造参数字典,其中type
、value
和containerid
是固定参数,page
是可变参数。接下来,调用urlencode()
方法将参数转化为URL的GET请求参数,即类似于type=uid&value=2830678474&containerid=1076032830678474&page=2
这样的形式。随后,base_url
与参数拼合形成一个新的URL。接着,我们用requests
请求这个链接,加入headers
参数。然后判断响应的状态码,如果是200,则直接调用json()
方法将内容解析为JSON返回,否则不返回任何信息。如果出现异常,则捕获并输出其异常信息。
随后,我们需要定义一个解析方法,用来从结果中提取想要的信息,比如这次想保存微博的id
、正文、赞数、评论数和转发数这几个内容,那么可以先遍历cards
,然后获取mblog
中的各个信息,赋值为一个新的字典返回即可:
def parse_page(json):
if json:
items = json.get('data').get('cards')
for item in items:
item = item.get('mblog')
weibo = {}
weibo['id'] = item.get('id')
weibo['text'] = pq(item.get('text')).text()
weibo['attitudes'] = item.get('attitudes_count')
weibo['comments'] = item.get('comments_count')
weibo['reposts'] = item.get('reposts_count')
yield weibo
这里我们借助pyquery将正文中的HTML标签去掉。最后,遍历一下page,一共10页,将提取到的结果打印输出即可。
if __name__ == '__main__':
for page in range(1, 11):
json = get_page(page)
results = parse_page(json)
for result in results:
print(result)
这样所有功能就实现完成了。我们就可以在weibo
变量中看到我们需要的内容,也可继续将weibo
变量保存在硬盘中。
来源:CSDN
作者:洪远
链接:https://blog.csdn.net/hy592070616/article/details/93493562