用Python制作新浪微博爬虫

早上刷空间发现最近好多人过生日诶~

仔细想想，好像4月份的时候也是特别多人过生日【比如我

那么每个人生日的月份有什么分布规律呢。。。突然想写个小程序统计一下

最简单易得的生日数据库大概就是新浪微博了：

但是电脑版的新浪微博显然是动态网页。。。如果想爬这个应该要解析JS脚本【就像上次爬网易云音乐。。然而并不会解

其实有更高效的方法：爬移动版

移动版因为手机浏览器的限制大多都做了简化，更有利于爬虫

注意上面的网址：http://weibo.cn/5156584529/info

经测试不同的用户仅仅是中间的数字不同，那么只要枚举数字就可以实现爬虫了~

但是移动版微博想查看用户资料是必须要登录的。所以我们要先模拟登录，获取cookie，再访问url，获取用户资料。

许多网站的登录都用到了cookie，大体过程如下：

用户输入用户名密码，浏览器将这些组成一个form(表单)提交给服务器，若服务器判断用户名密码正确则会返回一个cookie，然后浏览器会记录下这个cookie。之后用本地的cookie再访问就不用登录了。

模拟登录：

打开微博移动版主页http://weibo.cn，点击登录，得到登录地址:

http://login.weibo.cn/login/?ns=1&revalid=2&backURL=http%3A%2F%2Fweibo.cn%2F&backTitle=%CE%A2%B2%A9&vt=

【这界面真的好丑。。。

输入用户名密码登录，用chrome抓包，查看表单：

其实我们只需要表单就够了。

用Python中的urllib2，使用表单数据访问登录页，获取cookie，再用cookie访问用户页即可。

但是还要注意一个问题：新浪微博作了反爬虫处理，因此会遇到这个错误：

urllib2.HTTPError: HTTP Error 403: Forbidden

所以还要加上一个头信息headers来冒充浏览器

code：

 1 __author__ = ‘IBM‘
 2 import urllib2
 3 import urllib
 4 import cookielib
 5 headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6‘}
 6 cookie = cookielib.CookieJar()
 7 opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
 8
 9 #uurl=‘http://weibo.cn/5156582529/info‘
10 wurl=‘http://login.weibo.cn/login/?backURL=&backTitle=&vt=4&revalid=2&ns=1‘
11
12 logindata=urllib.urlencode(
13     {
14         ‘mobile‘:‘不许偷看我手机号！‘,
15         ‘password_8199‘:‘不许偷看我密码！‘,
16         ‘remember‘:‘on‘,
17         ‘backURL‘:‘http%253A%252F%252Fweibo.cn%252F‘,
18         ‘backTitle‘:‘%E5%BE%AE%E5%8D%9A‘,
19         ‘tryCount‘:‘‘,
20         ‘vk‘:‘8199_4012_2261332562‘,
21         ‘submit‘:‘%E7%99%BB%E5%BD%95‘
22     }
23 )
24
25 loginreq=urllib2.Request(
26     url=wurl,
27     data=logindata,
28     headers=headers
29 )
30
31 loginres=opener.open(loginreq)
32 print loginres.read()
33
34 html=opener.open(urllib2.Request(url=‘http://weibo.cn/5156584529/info‘,headers=headers))
35 dat=html.read()
36 print dat

输出的dat就是用户资料页的HTML。随便想要什么信息都可以去里面找啦~

【但是目前还有个问题没解决：注意表单里红色underline的那两段：

经测试这两个数字每次登录的时候都是不一样的。。而且同一个数字有效期是一定的，也就是说过一会儿这段代码可能就登录不了了。。。

个人猜测这可能是为了反爬虫吧。。。

under construction

Ref：

http://blog.csdn.net/pleasecallmewhy/article/details/9305229

http://www.douban.com/note/131370224/