[Python3爬蟲]爬取新浪微博用戶信息及微博內容

大數據時代，對于研究領域來說，數據已經成為必不可少的一部分。新浪微博作為新時代火爆的新媒體社交平臺，擁有許多用戶行為及商戶數據，因此需要研究人員都想要得到新浪微博數據，But新浪微博數據量極大，獲取的最好方法無疑就是使用Python爬蟲來得到。網上有一些關于使用Python爬蟲來爬取新浪微博數據的教程，但是完整的介紹以及爬取用戶所有數據信息比較少，因此這里分享一篇主要通過selenium包來爬取新浪微博用戶數據的文章。 碼字不易，喜歡請點贊！！！

目標

爬取新浪微博用戶數據，包括以下字段：id，昵稱，粉絲數，關注數，微博數，每一篇微博的內容，轉發數，評論數，點贊數，發布時間，來源，以及是原創還是轉發。（本文以GUCCI（古馳）為例）

方法

• 使用selenium模擬爬蟲
• 使用BeautifulSoup解析HTML

結果展示

步驟分解

1.選取爬取目標網址
首先，在準備開始爬蟲之前，得想好要爬取哪個網址。新浪微博的網址分為網頁端和手機端兩個，大部分爬取微博數據都會選擇爬取手機端，因為對比起來，手機端基本上包括了所有你要的數據，并且手機端相對于PC端是輕量級的。
下面是GUCCI的手機端和PC端的網頁展示。

2.模擬登陸
定好爬取微博手機端數據之后，接下來就該模擬登陸了。
模擬登陸的網址
登陸的網頁下面的樣子

模擬登陸代碼

            
                  try:
   		print(u'登陸新浪微博手機端...')
   		##打開Firefox瀏覽器
    	browser = webdriver.Firefox()
    	##給定登陸的網址
        url = 'https://passport.weibo.cn/signin/login'
        browser.get(url)
        time.sleep(3)
        #找到輸入用戶名的地方，并將用戶名里面的內容清空，然后送入你的賬號
        username = browser.find_element_by_css_selector('#loginName')
        time.sleep(2)
        username.clear()
        username.send_keys('****')#輸入自己的賬號
        #找到輸入密碼的地方，然后送入你的密碼
        password = browser.find_element_by_css_selector('#loginPassword')
        time.sleep(2)
        password.send_keys('ll117117')
        #點擊登錄
        browser.find_element_by_css_selector('#loginAction').click()
        ##這里給個15秒非常重要，因為在點擊登錄之后，新浪微博會有個九宮格驗證碼，下圖有，通過程序執行的話會有點麻煩（可以參考崔慶才的Python書里面有解決方法），這里就手動
        time.sleep(15)
    except:
        print('########出現Error########')
    finally:
        print('完成登陸!')

            
          

3.獲取用戶微博頁碼
在登錄之后可以進入想要爬取的商戶信息，因為每個商戶的微博量不一樣，因此對應的微博頁碼也不一樣，這里首先將商戶的微博頁碼爬下來。與此同時，將那些公用信息爬取下來，比如用戶uid，用戶名稱，微博數量，關注人數，粉絲數目。

            
              	#本文是以GUCCI為例，GUCCI的用戶id為‘GUCCI’
	id = 'GUCCI'
    niCheng = id
    #用戶的url結構為 url = 'http://weibo.cn/' + id
    url = 'http://weibo.cn/' + id
    browser.get(url)
    time.sleep(3)
    #使用BeautifulSoup解析網頁的HTML
    soup = BeautifulSoup(browser.page_source, 'lxml')
    #爬取商戶的uid信息
    uid = soup.find('td',attrs={'valign':'top'})
    uid = uid.a['href']
    uid = uid.split('/')[1]
    #爬取最大頁碼數目
    pageSize = soup.find('div', attrs={'id': 'pagelist'})
    pageSize = pageSize.find('div').getText()
    pageSize = (pageSize.split('/')[1]).split('頁')[0]
    #爬取微博數量
    divMessage = soup.find('div',attrs={'class':'tip2'})
    weiBoCount = divMessage.find('span').getText()
    weiBoCount = (weiBoCount.split('[')[1]).replace(']','')
     #爬取關注數量和粉絲數量
    a = divMessage.find_all('a')[:2]
    guanZhuCount = (a[0].getText().split('[')[1]).replace(']','')
    fenSiCount = (a[1].getText().split('[')[1]).replace(']', '')

            
          

4.根據爬取的最大頁碼，循環爬取所有數據
在得到最大頁碼之后，直接通過循環來爬取每一頁數據。抓取的數據包括，微博內容，轉發數量，評論數量，點贊數量，發微博的時間，微博來源，以及是原創還是轉發。

            
              #通過循環來抓取每一頁數據
 for i in range(1, pageSize+1):  # pageSize+1
 		#每一頁數據的url結構為 url = 'http://weibo.cn/' + id + ‘?page=’ + i
        url = 'https://weibo.cn/GUCCI?page=' + str(i)
        browser.get(url)
        time.sleep(1)
        #使用BeautifulSoup解析網頁的HTML
        soup = BeautifulSoup(browser.page_source, 'lxml')
        body = soup.find('body')
        divss = body.find_all('div', attrs={'class': 'c'})[1:-2]
        for divs in divss:
            # yuanChuang : 0表示轉發，1表示原創
            yuanChuang = '1'#初始值為原創，當非原創時，更改此值
            div = divs.find_all('div')
            #這里有三種情況，兩種為原創，一種為轉發
            if (len(div) == 2):#原創，有圖
           		 #爬取微博內容
                content = div[0].find('span', attrs={'class': 'ctt'}).getText()
                aa = div[1].find_all('a')
                for a in aa:
                    text = a.getText()
                    if (('贊' in text) or ('轉發' in text) or ('評論' in text)):
                    	#爬取點贊數
                        if ('贊' in text):
                            dianZan = (text.split('[')[1]).replace(']', '')
                        #爬取轉發數
                        elif ('轉發' in text):
                            zhuanFa = (text.split('[')[1]).replace(']', '')
                         #爬取評論數目
                        elif ('評論' in text):
                            pinLun = (text.split('[')[1]).replace(']', '')    
                 #爬取微博來源和時間   
                span = divs.find('span', attrs={'class': 'ct'}).getText()
                faBuTime = str(span.split('來自')[0])
                laiYuan = span.split('來自')[1]

			#和上面一樣
            elif (len(div) == 1):#原創，無圖
                content = div[0].find('span', attrs={'class': 'ctt'}).getText()
                aa = div[0].find_all('a')
                for a in aa:
                    text = a.getText()
                    if (('贊' in text) or ('轉發' in text) or ('評論' in text)):
                        if ('贊' in text):
                            dianZan = (text.split('[')[1]).replace(']', '')
                        elif ('轉發' in text):
                            zhuanFa = (text.split('[')[1]).replace(']', '')
                        elif ('評論' in text):
                            pinLun = (text.split('[')[1]).replace(']', '')
                span = divs.find('span', attrs={'class': 'ct'}).getText()
                faBuTime = str(span.split('來自')[0])
                laiYuan = span.split('來自')[1]
				
			#這里為轉發，其他和上面一樣
            elif (len(div) == 3):#轉發的微博
                yuanChuang = '0'
                content = div[0].find('span', attrs={'class': 'ctt'}).getText()
                aa = div[2].find_all('a')
                for a in aa:
                    text = a.getText()
                    if (('贊' in text) or ('轉發' in text) or ('評論' in text)):
                        if ('贊' in text):
                            dianZan = (text.split('[')[1]).replace(']', '')
                        elif ('轉發' in text):
                            zhuanFa = (text.split('[')[1]).replace(']', '')
                        elif ('評論' in text):
                            pinLun = (text.split('[')[1]).replace(']', '')
                span = divs.find('span', attrs={'class': 'ct'}).getText()
                faBuTime = str(span.split('來自')[0])
                laiYuan = span.split('來自')[1]
        time.sleep(2)
        print(i)

            
          

4.在得到所有數據之后，可以寫到csv文件，或者excel
最后的結果顯示在上面展示啦！！！！
到這里完整的微博爬蟲就解決啦！！！