关于python爬虫:原创微博-关键词-爬虫

本文所有教程及源码、软件仅为技术钻研。不波及计算机信息零碎性能的删除、批改、减少、烦扰，更不会影响计算机信息零碎的失常运行。不得将代码用于非法用处，如侵立删

记一次阿里云盾滑块验证剖析并通过

操作环境

• win10、mac
• Python3.9

数据接口

• 搜寻

  https://**********?containerid=100103type%3D{chanenl}%26q%3D{quote(self.words)}&page_type=searchall&page={page}

• user info

  https://**********?title=%E5%9F%BA%E6%9C%AC%E8%B5%84%E6%96%99&value={userid}'

  proxy 配置

== 应用 socks 需装置：pip install -U ‘requests[socks]’==

    def _proxy(self):
        """
        调用
        :return:
        """
        # 判断 IP 是否过期
        new_time = datetime.datetime.now()
        if self.expire_time and new_time < datetime.datetime.strptime(self.expire_time, "%Y-%m-%d %H:%M:%S"):
            # # 以后工夫小于到期工夫证实可用
            # if new_time < datetime.datetime.strptime(self.expire_time, "%Y-%m-%d %H:%M:%S"):
            print(f'以后应用 IP:{self.proxies} 过期工夫：{self.expire_time}')
            return
        proxy = Proxy()
        ip_port, expire_time = proxy.main()
        self.headers = proxy.headers
        self.proxies = {'http': 'socks5://{}'.format(ip_port),
            'https': 'socks5://{}'.format(ip_port)
        }
        self.expire_time = expire_time

依据关键词获取 userid

    def _get_userid(self, response):
        userid = []
        content = json.loads(response)
        cards = content['data']['cards']  # 数据列表
        for card in cards:
            if card['card_type'] != 11:  # 状态 =11 返回的是用户数据列表
                continue
            for card_group in card['card_group']:
                userid.append(card_group['user']['id'])  # 用户 id

        return userid

依据 userid 获取信息

    def _parse_json(self, res):
        content = json.loads(res)

        data = {}
        data['用户 id'] = content['data']['userInfo']['id']  # userid
        data['用户名'] = content['data']['userInfo']['screen_name']  # 用户名
        # 性别
        sex = content['data']['userInfo']['gender']
        data['性别'] = '女' if sex == 'f' else '男'
        data['微博认证名称'] = content['data']['userInfo']['verified_reason']  # 微博认证名称
        data['简介'] = content['data']['userInfo']['description']  # 简介
        data['粉丝数量'] = content['data']['userInfo']['followers_count']  # 粉丝数量
        data['公布微博量'] = content['data']['userInfo']['statuses_count']  # 公布微博量
        data['关注量'] = content['data']['userInfo']['follow_count']  # 关注量
        data['用户头像'] = content['data']['userInfo']['profile_image_url']  # 用户头像
        data['挪动端地址'] = content['data']['userInfo']['profile_url']  # 挪动端地址
        data['关键词'] = self.words

        return data

数据保留

    def _save_xls(self, data):
        """
        保留数据
        data : 字典格局 必须和表头长度一样
        :return:
        """
        # 判断文件是否存在 如果存在则读取而后插入新数据，不存在则创立一个新 DataFrame 并增加表头
        file = f'{PATH}/ 数据 / 关键词 -{self.words}.xlsx'
        Header = ['用户 id', '用户名', '性别', '微博认证名称', '简介', '粉丝数量', '公布微博量', '关注量', '用户头像', '挪动端地址', '关键词']
        if not os.path.exists(f'{PATH}/ 数据'):
            os.mkdir(f'{PATH}/ 数据')
        if not os.path.exists(file):
            # 创立一个新的文件 并写入表头
            df = pd.DataFrame(columns=Header)
        else:
            # 读取现有文件
            df_read = pd.read_excel(file)
            df = pd.DataFrame(df_read)
        # 定义一行新数据 data 为一个字典
        new_data = pd.DataFrame(data, index=[1])  # 自定义索引为：1，这里也能够不设置 index
        # 把定义的新数据增加到原数据最初一行 ignore_index=True, 示意不按原来的索引，从 0 开始主动递增
        df = df.append(new_data, ignore_index=True)
        # 保留数据 sheet_name 工作表名 index 是否增加索引 header 表头
        df.to_excel(file, sheet_name=self.words, index=False, header=True)

数据：

**