python爬虫-模拟登陆新浪微+博爬取感兴趣人的所有信息

新浪微博的登录非常麻烦，涉及到预登录，用户名密码加密等等一系列问题

而现在pc端的新浪微博大量使用了ajax技术，必须要鼠标下滑多次才能加载一个页面的所有信息

图省事，使用了selenium_PlantomJS来模拟登陆和获取html页面，优点是实现起来很简单，缺点是速度太慢

from selenium import webdriverfrom selenium.webdriver.common.keys import Keysfrom selenium.webdriver.support.ui import WebDriverWaitfrom selenium.webdriver.support import expected_conditionsfrom selenium.webdriver.common.by import Byimport bs4import timedef login(url,username,password):    '''    用于登录微博    :param url:微博的登录接口     :param username: 用户名    :param password: 密码    :return: cookie    '''    #browser = webdriver.Chrome()                                                     #用谷歌浏览器实验    browser = webdriver.PhantomJS("E:/phantomjs-2.1.1-windows/bin/phantomjs.exe")      #用PhantomJS    browser.maximize_window()                      #设置窗体为最大，如果没有这一行，表单可能无法操作    browser.get(url)                               #打开登陆用的网页    print("开始登陆")    username_ele = browser.find_element_by_id("loginname")    #找到用于输入用户名的表格    username_ele.clear()                                      #清空表格    username_ele.send_keys(username)                          #输入账户    password_ele = browser.find_element_by_name("password")   #找到用于输入密码的表格    password_ele.clear()                                      #清空表格    password_ele.send_keys(password)                          #输入密码    submit = browser.find_element_by_xpath('//*[@id="pl_login_form"]/div/div[3]/div[6]/a/span')   #找到用于提交表单的类型为submit的input    submit.click()          #点击    time.sleep(5)    WebDriverWait(browser, 10).until(expected_conditions.presence_of_element_located((By.CLASS_NAME, 'WB_miniblog')))  #等待登陆页面加载完成    if is_ele_exist(browser,"loginname"):        print("登录失败")        browser.quit()        return None    print("登陆成功")    #return print(browser.get_cookies()    return browser     #返回获得的cookiedef is_ele_exist(browser,id):    '''    根据一个id判断当前页面元素是否存在，find方法没有找到元素会抛出异常，利用异常判断元素是否存在    :param browser: 浏览器    :param id: 元素id    :return: 存在返回True，不存在返回False    '''    try:        s = browser.find_element_by_class_name(id)        return True    except:        return Falsedef getweibohtml(browser,url):    '''    用于加载我们要爬取的用户的动态页面(单个页面上的所有信息)    :param url: 要爬取用户的url    :param cookie: 用于认证用户    :return: 返回一个html页面    '''''    #browser = webdriver.PhantomJS("E:/phantomjs-2.1.1-windows/bin/phantomjs.exe")    #browser = webdriver.Chrome()    #browser.add_cookie(cookie)    #判断broser是否可用    if browser == None:        return    browser.get(url)    browser.save_screenshot("f:\\test1.png")    js = "var q=document.body.scrollTop=100000"       #用于下滑页面的js命令    num = 0    #判断翻页按钮是否出现，如果没有出现，将鼠标下滑    while not is_ele_exist(browser,"W_pages"):        num+=1        browser.execute_script(js)        print("还未找到元素")        #最多翻页十次，防止进入死循环        if(num>10):            break    print("用户的一页信息已加载完毕")    html = browser.page_source    return html'''def has_source(browser,url):        判断一个微博页面是否有微博，如果没有，返回Fasle,    最开始考虑不周到，这个函数导致需要再次用webdriver打开页面    严重拖慢爬取速度，弃用        browser.get(url)    if is_ele_exist(browser,"WB_feed_handle"):        return True    else:        return False'''def has_source(html):    '''    判断一个微博页面是否有微博，如果没有，返回Fasle,    改良版，不用再次加载页面    '''    bs = bs4.BeautifulSoup(html,"lxml")    if bs.find("div",class_="WB_detail") !=None:        return True    else:        return Falsedef getusermessage(html):    '''    获取用户信息，包括头像，姓名。粉丝    :param html:     :return:     '''    user = {}    bs = bs4.BeautifulSoup(html,"lxml")    user["姓名"] = bs.find_all("h1",class_="username")[0].text    user["头像"] = bs.find_all("p",class_="photo_wrap")[0].find_all("img")[0]["src"]    user["认证"] = bs.find_all("div",class_="pf_intro")[0]["title"]    messagebox = bs.find_all("div",class_="WB_innerwrap")    messages = messagebox[0].find_all("td",class_="S_line1")    for message in messages:        title = message.find_all("span",class_="S_txt2")[0].text        content = message.find_all("strong",class_="W_f16")[0].text        user[title] = content    print(user)    return userdef getweibo(filename,html):    '''    获取一个页面上的所有信息，包括每一条微博的内容，转发，评论，点赞数量    '''    file = open(filename,"a",encoding="utf-8")    beautifulsoup = bs4.BeautifulSoup(html,"lxml")    weibos = beautifulsoup.find_all("div",class_="WB_cardwrap WB_feed_type S_bg2 ")  #获得用于显示微博的父节点    weibonum = 0     #计算该页微博数量    for weibo in weibos:        #对每一个微博父节点进行处理        weibotext = weibo.find_all("div",class_ = "WB_text W_f14") #获取微博文本内容        message = weibotext[0].text.replace(" ","")                #取出文本中的所有空格        weibonum+=1                                                #微博数量+1        file.write("\n第"+str(weibonum)+"条微博内容是:"+message+"\n")        weibopics = weibo.find_all("div",class_="WB_media_wrap clearfix")   #获取用于显示图片的标签        if len(weibopics) != 0:                                             #判断标签是否存在            pics = weibopics[0].find_all("img")                             #获取该标签中的所有图片            for pic in pics:                file.write(pic["src"]+"\n")        weibomessages = weibo.find_all("div", class_="WB_feed_handle")  # 获取微博信息父节点        weibomessagecontents = weibomessages[0].find_all("a", class_="S_txt2")  #获取用于显示微博信息的节点（包括转发，评论，点赞数量）        for weibomessagecontent in weibomessagecontents[1:]:                    #分别获取信息            contents = weibomessagecontent.find_all("em")            file.write(contents[1].text+"  ")    file.close()    print("成功存储一个页面的微博")    return weibonumdef getpageurl(url,num):    '''    根据一个用户的第一页获取后续的url    http://www.weibo.com/u/1858002662?c=spr_sinamkt_buy_hyww_weibo_p113&is_hot=1#1496336038914    http://www.weibo.com/u/1858002662?is_search=0&visible=0&is_hot=1&is_tag=0&profile_ftype=1&page=2#feedtop    http://weibo.com/leehom?refer_flag=1005055013_&is_all=1    http://weibo.com/leehom?is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page=2#feedtop    通过分析指导，page应该是表示的页面，is_all和is_hot应该对应的是热门微博和全部微博    '''    preurl = url.split("?")    preurl = preurl[0]    pageurl = preurl+"?is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page="+str(num)+"#feedtop"    return pageurldef spider(url,username,password):    num = 0;    browser = login("http://weibo.com/login.php",username,password)    print("开始获取第1页的微博")    html = getweibohtml(browser,url)    file = open("f:\\xuanzi.txt","a",encoding="utf-8")    user = getusermessage(html)    for key in user.keys():        file.write(key+":"+user[key]+"\n")    file.close()    num += getweibo("f:\\xuanzi.txt",html)    print("获取第1页的微博成功")    page = 1;    while True:        page+=1        pageurl = getpageurl(url,page)        print(pageurl)        html = getweibohtml(browser, pageurl)        if has_source(html):            print("开始获取第"+str(page)+"页的微博")            num += getweibo("f:\\xuanzi.txt",html)        else:            return    return numif __name__ =="__main__":    #browser = login("http://weibo.com/login.php","15271183269","f43312626")    '''    for cookie in cookies:        if cookie["name"] == "_s_tentry":            log_cookie = cookie            break    '''    '''    getweibohtml("http://www.weibo.com/u/1858002662?is_search=0&visible=0&is_tag=0&profile_ftype=1&page=3&c=spr_sinamkt_buy_hyww_weibo_t113&is_all=1", browser)    '''    #print(has_source(browser,"http://www.weibo.com/u/1858002662?is_search=0&visible=0&is_tag=0&profile_ftype=1&page=21&c=spr_sinamkt_buy_hyww_weibo_t113&is_all=1"))    #file = open("f:\\test5.html","rb").read()    #html = file.decode("utf-8","ignore")    #getweibo(html)    #url = getpageurl("http://weibo.com/dasima315?sudaref=passport.weibo.com&is_all=1", 4)    #print(url)    #num = spider("http://www.weibo.com/u/1858002662?c=spr_sinamkt_buy_hyww_weibo_p113&is_hot=1", "15271183269", "f43312626")    #print("一共获取"+str(num)+"条微博")    spider("http://www.weibo.com/u/1858002662?c=spr_sinamkt_buy_hyww_weibo_p113&is_hot=1","15271183269","f43312626")

轩子局二兔的微博一共有21页，932条，以下是一部分爬取到的文件内容

姓名:轩子巨2兔头像:http://tvax3.sinaimg.cn/crop.9.0.493.493.180/6ebedee6ly8ffq59vzv9qj20e80dpaag.jpg认证:斗鱼直播平台签约主播关注:293粉丝:503619微博:932第1条微博内容是:庆祝微博40万关注~转发这条骚气的微博，抽5人送出100元红包加一段私人定制音频~​​​​http://wx3.sinaimg.cn/orj360/6ebedee6gy1feecnoofjvg20ap07ikjr.gif4333  1810  3644  第2条微博内容是:来斗鱼快两个月了，昨夜斗鱼粉丝破了100万。黑粉很失望，他们竭尽全力却无法阻止。不膨胀，继续努力做好声音！为回馈百万轩子大军，抽5人送出100元红包和一段专属音频，转发即可，截止至3月25日24点。​​​​http://wx2.sinaimg.cn/thumb150/6ebedee6gy1fdve8bakcpj20sf0kuara.jpghttp://wx1.sinaimg.cn/thumb150/6ebedee6gy1fdve8jbtjwj20sf0kudz7.jpg4431  1768  3184  第3条微博内容是:“不知尬舞”​​​​http://wx2.sinaimg.cn/thumb150/6ebedee6gy1fdir07mn9jj21kw23ungz.jpghttp://wx3.sinaimg.cn/thumb150/6ebedee6gy1fdir0akk9vj21kw22ekad.jpghttp://wx2.sinaimg.cn/thumb150/6ebedee6gy1fdir0ca1xaj21kw23ugzt.jpghttp://wx1.sinaimg.cn/thumb150/6ebedee6gy1fdir03x5dhj20k00ci77i.jpg256  1281  5533  第4条微博内容是:这次斗鱼的美食节目因故取消了，但不影响真爱粉的福利。转发抽5人送100网费​​​​http://wx2.sinaimg.cn/thumb150/6ebedee6gy1ff8qkcg02sj21be0qodn4.jpghttp://wx2.sinaimg.cn/thumb150/6ebedee6gy1ff8qkfkf19j21be0qo47a.jpghttp://wx2.sinaimg.cn/thumb150/6ebedee6gy1ff8qkk6zojj20qo1bedna.jpghttp://wx2.sinaimg.cn/thumb150/6ebedee6gy1ff8qky81l8j20qo1be10q.jpghttp://wx1.sinaimg.cn/thumb150/6ebedee6gy1ff8qkh1k32j21be0qoaiu.jpghttp://wx4.sinaimg.cn/thumb150/6ebedee6gy1ff8qllalw1j222o160njp.jpghttp://wx3.sinaimg.cn/thumb150/6ebedee6gy1ff8qkil677j21be0qoqb6.jpghttp://wx2.sinaimg.cn/thumb150/6ebedee6gy1ff8qkwcdmej21be0qojy6.jpghttp://wx1.sinaimg.cn/thumb150/6ebedee6gy1ff8qlb89d1j216022ox1n.jpg1929  1118  3457  第5条微博内容是:小二，上硬菜​​​​http://wx2.sinaimg.cn/thumb150/6ebedee6ly1ff78nnsqp8j20fa0r8amd.jpghttp://wx4.sinaimg.cn/thumb150/6ebedee6ly1ff78np27tqj20fg0r8gzm.jpghttp://wx1.sinaimg.cn/thumb150/6ebedee6ly1ff78nqthtzj20pz1ai7wh.jpghttp://wx4.sinaimg.cn/thumb150/6ebedee6ly1ff78ns0smvj20fe0r8k4l.jpghttp://wx3.sinaimg.cn/thumb150/6ebedee6ly1ff78nt7qxvj20fb0r87ij.jpghttp://wx3.sinaimg.cn/thumb150/6ebedee6ly1ff78nulu72j20kl0yk4j8.jpg815  1372  4269  第6条微博内容是:我是俏皮猫女郎​​​​http://wx1.sinaimg.cn/thumb150/6ebedee6ly1ffn14hn37qj21w02ioqv5.jpghttp://wx3.sinaimg.cn/thumb150/6ebedee6ly1ffn14mcya9j21w02ioqv5.jpghttp://wx4.sinaimg.cn/thumb150/6ebedee6ly1ffn14qb0fjj21w02ioe81.jpghttp://wx4.sinaimg.cn/thumb150/6ebedee6ly1ffn14u8jluj22io1w0b29.jpghttp://wx4.sinaimg.cn/thumb150/6ebedee6ly1ffn14y0q7fj22io1w0b29.jpg413  1179  4193  第7条微博内容是:不知火舞第二弹。（小剧场剧本、情感问题征稿，邮箱[e-mail]）​​​​http://wx3.sinaimg.cn/thumb150/6ebedee6gy1fdt5ta5tusj20xr190wmf.jpghttp://wx1.sinaimg.cn/thumb150/6ebedee6gy1fdt5tch8qmj20xr190aib.jpg207  1265  4124  第8条微博内容是:王者荣耀.妲己cos第一弹​​​​http://wx3.sinaimg.cn/thumb150/6ebedee6gy1fe1a9fiwnnj21w02ionpl.jpghttp://wx3.sinaimg.cn/thumb150/6ebedee6gy1fe1a8xn3zpj20qo0zk0yk.jpghttp://wx1.sinaimg.cn/thumb150/6ebedee6gy1fe1a9hc60oj20zk0qote9.jpg159  936  3684  第9条微博内容是:包子可爱吗​​​​http://wx4.sinaimg.cn/thumb150/6ebedee6ly1ff08cqq6upj216022o1kx.jpghttp://wx3.sinaimg.cn/thumb150/6ebedee6ly1ff08crpnw0j216022onnv.jpghttp://wx1.sinaimg.cn/thumb150/6ebedee6ly1ff08czm47oj23402c0b2e.jpg75  1079  3008  第10条微博内容是:妲己第二弹愚人节快乐！​​​​http://wx1.sinaimg.cn/thumb150/6ebedee6ly1fe6iuhxa24j20qo0zk0yl.jpghttp://wx4.sinaimg.cn/thumb150/6ebedee6ly1fe6iu4w2u3j21w02iox6v.jpghttp://wx4.sinaimg.cn/thumb150/6ebedee6ly1fe6itjy35tj20pm0zkwgv.jpg92  627  3175  第11条微博内容是:上海的小伙伴猜猜我在哪​​​​http://wx4.sinaimg.cn/orj360/6ebedee6ly1fe9kelwnnoj20k00zk0w7.jpg15  628  3225  第12条微博内容是:不穿丝袜会死星人​​​​http://wx1.sinaimg.cn/thumb150/6ebedee6ly1ffi0e6bgfyj21k1160qn4.jpghttp://wx4.sinaimg.cn/thumb150/6ebedee6ly1ffi0e97arzj222o1604qp.jpghttp://wx1.sinaimg.cn/thumb150/6ebedee6ly1ffi0efepbkj222o1607wh.jpghttp://wx4.sinaimg.cn/thumb150/6ebedee6ly1ffi0ekex7sj222o1607wh.jpg61  562  3079  第13条微博内容是:我觉得这个吊带好看，另外谁的弟弟有多动症的话可以来听我的直播​​​​http://wx3.sinaimg.cn/thumb150/6ebedee6ly1ffwzs52a9fj21bf0qo465.jpghttp://wx3.sinaimg.cn/thumb150/6ebedee6ly1ffwzs4jfebj20qo1bfai7.jpghttp://wx1.sinaimg.cn/thumb150/6ebedee6ly1ffwzs5gq92j21bf0qoqcv.jpg61  599  2832