Python有趣|微博榜单爬虫,尽知天下事

时间:2022-06-19
本文章向大家介绍Python有趣|微博榜单爬虫,尽知天下事,主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。
项目背景

大家对于网页的数据爬虫了解的已经很多了,这次爬取APP端的数据。之前我也讲解过APP爬虫,但是没有讲解过Fiddler的配置和使用。这次以微博榜单为案例,介绍APP爬虫流程和数据的可视化(数据为2019年2月28号采集)。整个项目流程如下图所示:

环境配置

首先,在网上下载Fiddler软件,这个和普通的软件安装一样,这里就不详细讲解了。

接着,我们打开Fiddler软件,进行配置,打开tools-options,进行如下的设置。

  • 选中"Decrpt HTTPS traffic", Fiddler就可以截获HTTPS请求;
  • 选中"Allow remote computers to connect". 是允许别的机器把HTTP/HTTPS请求发送到Fiddler上来。

设置完记得重启软件~

为了让Fiddler截取手机的包,需要让手机和电脑在同一个ip下,在电脑端的cmd中输入:ipconfig,获取电脑ip地址。

接着打开手机(以IPhone为例),打开wifi,配置代理,这里的代理就是上图我们查询的ip地址,8888为端口号。

最后,在手机浏览器输入http://192.168.0.144:8888,点击下载证书,IPhone最后还需要在设置中信任证书,这样就可以用Fiddler抓取手机的包啦。

找包

我们打开Fiddler找包,发现这是一个POST请求,下面就是请求的参数,max_id改变就是换页。

爬虫代码

这样,我们就可以写出完整代码了。

import requests
import json
import csv
import time

fp = open('weibo.csv','w',newline='',encoding='utf-8')
writer = csv.writer(fp)
writer.writerow(['user','location','gender','followers','text','created_time','comments','good'])

url = 'https://api.weibo.cn/2/statuses/unread_hot_timeline?gsid=_2A25xXl6mDeRxGeNM41oV-S_MzDSIHXVQStVurDV6PUJbkdANLVTwkWpNSf8_0kSaOWZtWP9k_mbYuGWoJ6k7Z2E_&sensors_mark=0&wm=3333_2001&i=b9f7194&sensors_is_first_day=false&from=1092093010&b=0&c=iphone&networktype=wifi&skin=default&v_p=71&s=a8064444&v_f=1&sensors_device_id=1962A632-B40D-4337-A4C6-3F9AB979B517&lang=zh_CN&sflag=1&ua=iPhone8,1__weibo__9.2.0__iphone__os12.1.4&ft=11&aid=01AuxGxLabPA7Vzz8ZXBUpkeJqWbJ1woycR3lFBdLhoxgQC1I.&cum=21171544'

headers = {
    'Host': 'api.weibo.cn',
    'Content-Type':'application/x-www-form-urlencoded; charset=utf-8',
    'User-Agent': 'Weibo/29278 (iPhone; iOS 11.4.1; Scale/2.00)'
}

params = ['max_id={}'.format(str(i)) for i in range(1,16)]

for param in params:
    res = requests.post(url,headers=headers,data=param)
    json_data = json.loads(res.text)
    statuses = json_data['statuses']
    for statuse in statuses:
        user = statuse['user']['name']
        location = statuse['user']['location']
        gender = statuse['user']['gender']
        followers = statuse['user']['followers_count']
        text = statuse['text']
        created_time = statuse['created_at']
        comments = statuse['comments_count']
        good = statuse['attitudes_count']
        print(user,location,gender,followers,text,created_time,comments,good)
        writer.writerow([user,location,gender,followers,text,created_time,comments,good])
    time.sleep(2)
榜单分析

上榜明星,通过对用户昵称计数,看看哪些用户上榜最多。上榜的大多是明星和娱乐号主。

地区分布,上榜的地区分布,可以看出大部分都来自北上广,然后海外用户也是有很多的(有些明星是外籍)。

地区分布情况

性别分布,男性和女性分布较平均,男性更多一些~

榜单发布时间和词云图,可以看出,晚上8点是个高峰期,这个点刚好下班吃瓜。

今日互动

代码下载:https://github.com/panluoluo/crawler-analysis,下载完整代码。