很多做社交媒体数据分析的同学需要采集一些新浪微博上的数据，新浪微博虽然有提供api，但免费的api对获取的数据项和获取的频率都有很大的限制，商业版api据说限制较少，但是作为屌丝学生党拿来那么多钱买买商业版的api？！！！
微博模拟登陆
直接写爬虫需先登录到新浪微博，否则爬虫一直返回登录页面不给数据。解决办法是：
- 先手动用浏览器登录，然后导出cookie ，再写脚本加载cookie到爬虫的http协议里，这样就获取了session 和cookie，解决了身份认证的问题。
- 就是本文要介绍的模拟登陆。
注：以下模拟登陆部分是参考文章：python模拟新浪微博登陆功能(新浪微博爬虫) 所写，我在该文章的基础上做了一些小改动。
第一种方案操作较为繁琐，尤其是要多个微博马甲轮询，降低马甲被封概率的话。第二种方案就可以实现批量马甲登录，但是有的账号登录的时候可能需要输入验证码，验证码识别起来比较困难，目前我还没有解决这个问题。
下面是我初步写的不带验证码识别的模拟登陆代码
WeiboLogin.py：等一了登录类 WeiboLogin.最后调用WeiboLogin.Login()方法会返回一个带有当前马甲会话cookie的opener。多个马甲登录模拟登陆的话，可以实例化多个WeiboLogin，调用它们的Login()方法返回不同的opener 带有各自的会话cookie，降低账号被封的风险。
import urllib2,traceback,cookielib
import WeiboEncode
import WeiboSearch
class WeiboLogin:
def __init__(self, user, pwd, enableProxy=False):
"初始化WeiboLogin，Proxy默认关闭"
print "Initializing WeiboLogin..."
self.userName = user
self.passWord = pwd
self.enableProxy = enableProxy
self.cookiejar = cookielib.LWPCookieJar()#建立cookie
self.serverUrl = "http://login.sina.com.cn/sso/prelogin.php?entry=weibo&callback=sinaSSOController.preloginCallBack&su=&rsakt=mod&client=ssologin.js(v1.4.11)&_=1379834957683"
self.loginUrl = "http://login.sina.com.cn/sso/login.php?client=ssologin.js(v1.4.11)"
self.postHeader = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; rv:24.0) Gecko/20100101 Firefox/24.0‘}
def Login(self):
#"登陆程序"
ERROR_COUNT =0
opener = self.EnableCookie()
while True:
if ERROR_COUNT>3:
print ‘login error!‘
return False
try:
url = "http://weibo.com/"
req = urllib2.Request(url, None, self.postHeader)
opener.open(req)
serverTime, nonce, pubkey, rsakv = self.GetServerTime(opener)#登陆的第一步
postData = WeiboEncode.PostEncode(self.userName, self.passWord, serverTime, nonce, pubkey, rsakv)#加密用户和密码
print "Post data length:\n", len(postData)
req = urllib2.Request(self.loginUrl, postData, self.postHeader)
print "Posting request..."
result = opener.open(req)#登陆的第二步——解析新浪微博的登录过程中3
text = result.read()
loginUrl = WeiboSearch.sRedirectData(text)#解析重定位结果
req = urllib2.Request(loginUrl, None, self.postHeader)
temp = opener.open(loginUrl)
except:
print traceback.format_exc()
print ‘retrying......‘
ERROR_COUNT+=1
continue
if WeiboSearch.sCheckLoginResult(temp.read()):#检查登录返回信息
print ‘Login sucess!‘
return opener
else :
print ‘login error‘
return False
def EnableCookie(self):#"Enable cookie & proxy (if needed)."
cookie_support = urllib2.HTTPCookieProcessor(self.cookiejar)
if self.enableProxy:
proxy_support = urllib2.ProxyHandler({‘http‘:‘http://xxxxx.pac‘})#使用代理
opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)
print "Proxy enabled"
else:
opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)
return opener
def GetServerTime(self,opener):
"Get server time and nonce, which are used to encode the password"
print "Getting server time and nonce..."
req = urllib2.Request(self.serverUrl, None, self.postHeader)
serverData = opener.open(req).read()#得到网页内容
print serverData
try:
serverTime, nonce, pubkey, rsakv = WeiboSearch.sServerData(serverData)#解析得到serverTime，nonce等
return serverTime, nonce, pubkey, rsakv
except:
print ‘Get server time & nonce error!‘
return None
WeiboSearch.py：主要是WebLogin.py需要的一些 检索、分析、检查函数
import re
import json
def sServerData(serverData):
"Search the server time & nonce from server data"
p = re.compile(‘\((.*)\)‘)
jsonData = p.search(serverData).group(1)
data = json.loads(jsonData)
serverTime = str(data[‘servertime‘])
nonce = data[‘nonce‘]
pubkey = data[‘pubkey‘]#
rsakv = data[‘rsakv‘]#
print "Server time is:", serverTime
print "Nonce is:", nonce
return serverTime, nonce, pubkey, rsakv
def sRedirectData(text):
p = re.compile(‘location\.replace\([\‘"](.*?)[\‘"]\)‘)
loginUrl = p.search(text).group(1)
print ‘loginUrl:‘,loginUrl
return loginUrl
def sCheckLoginResult(text):
p = re.compile(‘parent\.sinaSSOController\.feedBackUrlCallBack\(\{"result":true,"userinfo":\{"uniqueid":‘)
if p.search(text):
return True
else :
return False
WeiboEncode.py：用户名密码加密操作
import urllib
import base64
import rsa
import binascii
def PostEncode(userName, passWord, serverTime, nonce, pubkey, rsakv):
"Used to generate POST data"
encodedUserName = GetUserName(userName)#用户名使用base64加密
encodedPassWord = get_pwd(passWord, serverTime, nonce, pubkey)#目前密码采用rsa加密
postPara = {
‘entry‘: ‘weibo‘,
‘gateway‘: ‘1‘,
‘from‘: ‘‘,
‘savestate‘: ‘7‘,
‘userticket‘: ‘1‘,
‘ssosimplelogin‘: ‘1‘,
‘vsnf‘: ‘1‘,
‘vsnval‘: ‘‘,
‘su‘: encodedUserName,
‘service‘: ‘miniblog‘,
‘servertime‘: serverTime,
‘nonce‘: nonce,
‘pwencode‘: ‘rsa2‘,
‘sp‘: encodedPassWord,
‘encoding‘: ‘UTF-8‘,
‘prelt‘: ‘115‘,
‘rsakv‘: rsakv,
‘url‘: ‘http://weibo.com/ajaxlogin.php?framelogin=1&callback=parent.sinaSSOController.feedBackUrlCallBack‘,
‘returntype‘: ‘META‘
}
postData = urllib.urlencode(postPara)#网络编码
return postData
def GetUserName(userName):
"Used to encode user name"
userNameTemp = urllib.quote(userName)
userNameEncoded = base64.encodestring(userNameTemp)[:-1]
return userNameEncoded
def get_pwd(password, servertime, nonce, pubkey):
rsaPublickey = int(pubkey, 16)
key = rsa.PublicKey(rsaPublickey, 65537) #创建公钥
message = str(servertime) + ‘\t‘ + str(nonce) + ‘\n‘ + str(password) #拼接明文js加密文件中得到
passwd = rsa.encrypt(message, key) #加密
passwd = binascii.b2a_hex(passwd) #将加密信息转换为16进制。
return passwd
使用方法：
from WeiboLogin import WeiboLogin user_name =‘[email protected]‘ passwd =‘1234‘ opener = WeiboLogin(user_name, passwd).Login()
其它问题：
即使模拟登陆成功，写好解析程序之后，你会发现爬虫爬一小会就又不返回数据了，这是因为微博服务器监测到该ip访问频率异常，一般采取的策略是加代理ip(一般的http代理即可，最好是高匿的)。而且经测试，每次更换代理的ip的时候不用重新登录，直接用当前生成的opener添加更换的ip代理handler即可：
proxy_handler = urllib2.ProxyHandler({
"http" : proxyServer,
"https" : proxyServer
})
opener.add_handler(proxy_handler)
时间： 2024-07-31 14:31:18