前言

想实现爬微博的自由吗？这里可以实现了！本文可以解决微博预登录、识别“展开全文”并爬取完整数据、翻页设置等问题。

一、区分动态爬虫和静态爬虫

1、静态网页

静态网页是纯粹的HTML，没有后台数据库，不含程序，不可交互，体量较少，加载速度快。静态网页的爬取只需四个步骤：发送请求、获取相应内容、解析内容及保存数据。

2、动态网页

动态网页上的数据会随时间及用户交互发生变化，因此数据不会直接呈现在网页源代码中，数据将以Json的形式保存起来。因此，动态网页比静态网页多了一步，即需渲染获得相关数据。

3、区分动静态网页的方法

加载网页后，点击右键，选中“查看网页源代码”，如果网页上的绝大多数字段都出现源代码中，那么这就是静态网页，否则是动态网页。

selenium连续爬取多个网页数据（使用Selenium实现微博爬虫）(1)

二、动态爬虫的两种方法

1.逆向分析爬取动态网页

适用于调度资源所对应网址的数据为json格式，Javascript的触发调度。主要步骤是获取需要调度资源所对应的网址-访问网址获得该资源的数据。（此处不详细讲解）

2.使用Selenium库爬取动态网页

使用Selenium库，该库使用JavaScript模拟真实用户对浏览器进行操作。本案例将使用该方法。

三、安装Selenium库及下载浏览器补丁

1.Selenium库使用pip工具进行安装即可。

2.下载与Chrome浏览器版本匹配的浏览器补丁。

Step1：查看Chrome的版本

selenium连续爬取多个网页数据（使用Selenium实现微博爬虫）(2)

Step2：去下载相应版本的浏览器补丁。网址：http://npm.taobao.org/mirrors/chromedriver/

Step3：解压文件，并将之放到与python.exe同一文件下

selenium连续爬取多个网页数据（使用Selenium实现微博爬虫）(3)

selenium连续爬取多个网页数据（使用Selenium实现微博爬虫）(4)

四、页面打开及预登录

1.导入selenium包

from selenium import webdriver from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.common.by import By import time import pandas as pd

2.打开页面

driver = webdriver.Chrome() print('准备登陆Weibo.cn网站...') #发送请求 driver.get("https://login.sina.com.cn/signup/signin.php") wait = WebDriverWait(driver,5) #重要：暂停1分钟进行预登陆，此处填写账号密码及验证 time.sleep(60)

3.采用交互式运行，运行完上面两段程序，会弹出一个框，这个框就是用来模拟网页的交互。在这个框中完成登录（包括填写登录名、密码及短信验证等）

selenium连续爬取多个网页数据（使用Selenium实现微博爬虫）(5)

4.完成预登录，则进入个人主页

selenium连续爬取多个网页数据（使用Selenium实现微博爬虫）(6)

五、关键词搜索操作

1.定位上图中的关键词输入框，并在框中输入搜索对象，如“努力学习”

#使用selector去定位关键词搜索框 s_input = driver.find_element_by_css_selector('#search_input') #向搜索框中传入字段 s_input.send_keys("努力学习") #定位搜索键 confirm_btn = driver.find_element_by_css_selector('#search_submit') #点击 confirm_btn.click()

2.当完成上步的代码运行后，会弹出新的窗口，从个人主页跳到微博搜索页。但是driver仍在个人主页，需要人为进行driver的移动，将之移动到微博搜索页。

selenium连续爬取多个网页数据（使用Selenium实现微博爬虫）(7)

3.使用switch_to.window()方法移位

#人为移动driver driver.switch_to.window(driver.window_handles[1])

六、识别“展开全文”并爬取数据

1.了解每个元素的Selector，用以定位（重点在于唯一标识性）

selenium连续爬取多个网页数据（使用Selenium实现微博爬虫）(8)

2.使用Selector定位元素，并获取相应的数据

comment = [] username = [] #抓取节点：每个评论为一个节点（包括用户信息、评论、日期等信息），如果一页有20条评论，那么nodes的长度就为20 nodes = driver.find_elements_by_css_selector('div.card > div.card-feed > div.content') #对每个节点进行循环操作 for i in range(0,len(nodes),1): #判断每个节点是否有“展开全文”的链接 flag = False try: nodes[i].find_element_by_css_selector("p>a[action-type='fl_unfold']").is_displayed() flag = True except: flag = False #如果该节点具有“展开全文”的链接，且该链接中的文字是“展开全文c”，那么点击这个要素，并获取指定位置的文本；否则直接获取文本 #（两个条件需要同时满足，因为该selector不仅标识了展开全文，还标识了其他元素，没有做到唯一定位） if(flag and nodes[i].find_element_by_css_selector("p>a[action-type='fl_unfold']").text.startswith('展开全文c')): nodes[i].find_element_by_css_selector("p>a[action-type='fl_unfold']").click() comment.append(nodes[i].find_element_by_css_selector('p[node-type="feed_list_content_full"]').text) else: comment.append(nodes[i].find_element_by_css_selector('p[node-type="feed_list_content"]').text) username.append(nodes[i].find_element_by_css_selector("div.info>div:nth-child(2)>a").text)

七、设置翻页

1.使用for循环实现翻页，重点在于识别“下一页”按钮，并点击它

for page in range(49): print(page) # 定位下一页按钮 nextpage_button = driver.find_element_by_link_text('下一页') #点击按键 driver.execute_script("arguments[0].click();", nextpage_button) wait = WebDriverWait(driver,5) #与前面类似 nodes1 = driver.find_elements_by_css_selector('div.card > div.card-feed > div.content') for i in range(0,len(nodes1),1): flag = False try: nodes1[i].find_element_by_css_selector("p>a[action-type='fl_unfold']").is_displayed() flag = True except: flag = False if (flag and nodes1[i].find_element_by_css_selector("p>a[action-type='fl_unfold']").text.startswith('展开全文c')): nodes1[i].find_element_by_css_selector("p>a[action-type='fl_unfold']").click() comment.append(nodes1[i].find_element_by_css_selector('p[node-type="feed_list_content_full"]').text) else: comment.append(nodes1[i].find_element_by_css_selector('p[node-type="feed_list_content"]').text) username.append(nodes1[i].find_element_by_css_selector("div.info>div:nth-child(2)>a").text)

八、保存数据

1.使用DataFrame保存字段

data = pd.DataFrame({'username':username,'comment':comment})

selenium连续爬取多个网页数据（使用Selenium实现微博爬虫）(9)

2.导出到Excel

data.to_excel("weibo.xlsx")

九、完整代码

from selenium import webdriver from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.common.by import By from bs4 import BeautifulSoup import time import pandas as pd '''打开网址，预登陆''' driver = webdriver.Chrome() print('准备登陆Weibo.cn网站...') #发送请求 driver.get("https://login.sina.com.cn/signup/signin.php") wait = WebDriverWait(driver,5) #重要：暂停1分钟进行预登陆，此处填写账号密码及验证 time.sleep(60) '''输入关键词到搜索框，完成搜索''' #使用selector去定位关键词搜索框 s_input = driver.find_element_by_css_selector('#search_input') #向搜索框中传入字段 s_input.send_keys("努力学习") #定位搜索键 confirm_btn = driver.find_element_by_css_selector('#search_submit') #点击 confirm_btn.click() #人为移动driver driver.switch_to.window(driver.window_handles[1]) '''爬取第一页数据''' comment = [] username = [] #抓取节点：每个评论为一个节点（包括用户信息、评论、日期等信息），如果一页有20条评论，那么nodes的长度就为20 nodes = driver.find_elements_by_css_selector('div.card > div.card-feed > div.content') #对每个节点进行循环操作 for i in range(0,len(nodes),1): #判断每个节点是否有“展开全文”的链接 flag = False try: nodes[i].find_element_by_css_selector("p>a[action-type='fl_unfold']").is_displayed() flag = True except: flag = False #如果该节点具有“展开全文”的链接，且该链接中的文字是“展开全文c”，那么点击这个要素，并获取指定位置的文本；否则直接获取文本 #（两个条件需要同时满足，因为该selector不仅标识了展开全文，还标识了其他元素，没有做到唯一定位） if(flag and nodes[i].find_element_by_css_selector("p>a[action-type='fl_unfold']").text.startswith('展开全文c')): nodes[i].find_element_by_css_selector("p>a[action-type='fl_unfold']").click() comment.append(nodes[i].find_element_by_css_selector('p[node-type="feed_list_content_full"]').text) else: comment.append(nodes[i].find_element_by_css_selector('p[node-type="feed_list_content"]').text) username.append(nodes[i].find_element_by_css_selector("div.info>div:nth-child(2)>a").text) '''循环操作，获取剩余页数的数据''' for page in range(49): print(page) # 定位下一页按钮 nextpage_button = driver.find_element_by_link_text('下一页') #点击按键 driver.execute_script("arguments[0].click();", nextpage_button) wait = WebDriverWait(driver,5) #与前面类似 nodes1 = driver.find_elements_by_css_selector('div.card > div.card-feed > div.content') for i in range(0,len(nodes1),1): flag = False try: nodes1[i].find_element_by_css_selector("p>a[action-type='fl_unfold']").is_displayed() flag = True except: flag = False if (flag and nodes1[i].find_element_by_css_selector("p>a[action-type='fl_unfold']").text.startswith('展开全文c')): nodes1[i].find_element_by_css_selector("p>a[action-type='fl_unfold']").click() comment.append(nodes1[i].find_element_by_css_selector('p[node-type="feed_list_content_full"]').text) else: comment.append(nodes1[i].find_element_by_css_selector('p[node-type="feed_list_content"]').text) username.append(nodes1[i].find_element_by_css_selector("div.info>div:nth-child(2)>a").text) '''保存数据''' data = pd.DataFrame({'username':username,'comment':comment}) data.to_excel("weibo.xlsx")

,