微博关键词爬虫——基于requests和aiohttp

　　requests库是python爬虫中最常见的库，与内置的urllib库相比，它更加简洁高效，是每一个接触爬虫者都务必要掌握的基础；但它也是有缺点的，就是不支持异步操作，虽然可以通过多线程来解决，但当需要发送大量请求时，创建大量的线程会浪费过多的资源；此时出现了一个新的库aiohttp，它是支持异步操作的，可以在一个线程中，通过异步多任务来实现快速发送请求，提高效率。这次，我基于这两个库，做一个高效的微博关键词爬虫，源码在文章的末尾。

　　首先，我是从微博的移动端地址入手，发现它是ajsx请求，请求参数中，除页码外，其他都是常量，所以要实现多页请求，直接将页码当作参数发送即可。但是页面返回的json数据并没有直接标明总页数，所以需要自己计算。进一步分析，发现数据中包含了微博的总条数和每一页的条数，这就是突破口，对它进行简单的运算就可以拿到总页码。此处只需要发送一次请求，就可以获取到信息，所以这里采用的是requests。

def get_page():
    """
    先用requests构造请求，解析出关键词搜索出来的微博总页数
    :return: 返回每次请求需要的data参数
    """
    data_list = []
    data = {
        'containerid': '100103type=1&q={}'.format(kw),
        'page_type': 'searchall'}
    resp = requests.get(url=url, headers=headers, params=data)
    total_page = resp.json()['data']['cardlistInfo']['total']  # 微博总数
    # 一页有10条微博，用总数对10整除，余数为0则页码为总数/10，余数不为0则页码为（总数/10）+1
    if total_page % 10 == 0:
        page_num = int(total_page / 10)
    else:
        page_num = int(total_page / 10) + 1
    # 页码为1，data为当前data，页码不为1，通过for循环构建每一页的data参数
    if page_num == 1:
        data_list.append(data)
        return data_list
    else:
        for i in range(1, page_num + 1):
            data['page'] = i
            data_list.append(copy.deepcopy(data))
        return data_list

　　获取完页码之后，就可以进行数据解析。每一页都需要单独发送请求，为了提高效率，此处采用的是aiohttp。通过async关键词来定义特殊函数，返回一个协程对象，注意函数内部所有代码必须是支持异步操作的。在构建请求的时候需要注意特定的格式。

# async定义函数，返回一个协程对象
async def crawl(data):
    """
    多任务异步解析页面，存储数据
    :param data: 请求所需的data参数
    :return: None
    """
    async with aiohttp.ClientSession() as f:  # 实例化一个ClientSession
        async with await f.get(url=url, headers=headers, params=data) as resp:  # 携带参数发送请求
            text = await resp.text()  # await 等待知道获取完整数据
            text_dict = json.loads(text)['data']['cards']
            parse_dict = {}
            for card in text_dict:
                if card['card_type'] == 9:
                    scheme = card['scheme']
                    if card['mblog']['isLongText'] is False:
                        text = card['mblog']['text']
                        text = re.sub(r'<.*?>|
+', '', text)
                    else:
                        text = card['mblog']['longText']['longTextContent']
                    user = card['mblog']['user']['profile_url']
                    comments_count = card['mblog']['comments_count']
                    attitudes_count = card['mblog']['attitudes_count']
                    parse_dict['url'] = scheme
                    parse_dict['text'] = text
                    parse_dict['author'] = user
                    parse_dict['comments_count'] = comments_count
                    parse_dict['attitudes_count'] = attitudes_count
                    parse_dict_list.append(copy.deepcopy(parse_dict))

　　最关键的一步，将协程对象添加到事件循环中，实现异步执行。

task_list = []  # 定义一个任务列表
    for data in data_list:
        c = crawl(data)  # 调用协程，传参
        task = asyncio.ensure_future(c)  # 创建任务对象
        task_list.append(task)  # 将任务添加到列表中
    loop = asyncio.get_event_loop()  # 创建事件循环
    loop.run_until_complete(asyncio.wait(task_list))  # 开启循环，并将阻塞的任务挂起

　　以上部分就是整个爬虫的关键，剩下的数据写入（导出到excle）就直接放在源码中，不足之处，请大家指正！

import copy
import aiohttp
import requests
import re
import asyncio
import json
import xlwt


def get_page():
    """
    先用requests构造请求，解析出关键词搜索出来的微博总页数
    :return: 返回每次请求需要的data参数
    """
    data_list = []
    data = {
        'containerid': '100103type=1&q={}'.format(kw),
        'page_type': 'searchall'}
    resp = requests.get(url=url, headers=headers, params=data)
    total_page = resp.json()['data']['cardlistInfo']['total']  # 微博总数
    # 一页有10条微博，用总数对10整除，余数为0则页码为总数/10，余数不为0则页码为（总数/10）+1
    if total_page % 10 == 0:
        page_num = int(total_page / 10)
    else:
        page_num = int(total_page / 10) + 1
    # 页码为1，data为当前data，页码不为1，通过for循环构建每一页的data参数
    if page_num == 1:
        data_list.append(data)
        return data_list
    else:
        for i in range(1, page_num + 1):
            data['page'] = i
            data_list.append(copy.deepcopy(data))
        return data_list


# async定义函数，返回一个协程对象
async def crawl(data):
    """
    多任务异步解析页面，存储数据
    :param data: 请求所需的data参数
    :return: None
    """
    async with aiohttp.ClientSession() as f:  # 实例化一个ClientSession
        async with await f.get(url=url, headers=headers, params=data) as resp:  # 携带参数发送请求
            text = await resp.text()  # await 等待知道获取完整数据
            text_dict = json.loads(text)['data']['cards']
            parse_dict = {}
            for card in text_dict:
                if card['card_type'] == 9:
                    scheme = card['scheme']
                    if card['mblog']['isLongText'] is False:
                        text = card['mblog']['text']
                        text = re.sub(r'<.*?>|
+', '', text)
                    else:
                        text = card['mblog']['longText']['longTextContent']
                    user = card['mblog']['user']['profile_url']
                    comments_count = card['mblog']['comments_count']
                    attitudes_count = card['mblog']['attitudes_count']
                    parse_dict['url'] = scheme
                    parse_dict['text'] = text
                    parse_dict['author'] = user
                    parse_dict['comments_count'] = comments_count
                    parse_dict['attitudes_count'] = attitudes_count
                    parse_dict_list.append(copy.deepcopy(parse_dict))


def insert_data(file_name):
    """
    将数据导出到excle中
    :param file_name: 文件名
    :return:
    """
    wr = xlwt.Workbook(encoding='utf8')
    table = wr.add_sheet(file_name)
    table.write(0, 0, '原链接')
    table.write(0, 1, '正文')
    table.write(0, 2, '作者首页')
    table.write(0, 3, '评论数')
    table.write(0, 4, '点赞数')
    for index, data in enumerate(parse_dict_list):
        table.write(index + 1, 0, data['url'])
        table.write(index + 1, 1, data['text'])
        table.write(index + 1, 2, data['author'])
        table.write(index + 1, 3, data['comments_count'])
        table.write(index + 1, 4, data['attitudes_count'])
    file_path = file_name + '.xls'
    wr.save(file_path)


def main(file_name):
    """
    开启多任务循环
    :return: None
    """
    data_list = get_page()  # 接收data参数列表
    task_list = []  # 定义一个任务列表
    for data in data_list:
        c = crawl(data)  # 调用协程，传参
        task = asyncio.ensure_future(c)  # 创建任务对象
        task_list.append(task)  # 将任务添加到列表中
    loop = asyncio.get_event_loop()  # 创建事件循环
    loop.run_until_complete(asyncio.wait(task_list))  # 开启循环，并将阻塞的任务挂起
    insert_data(file_name)


if __name__ == '__main__':
    kw = input('关键词：')
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2'}
    url = 'https://m.weibo.cn/api/container/getIndex'
    parse_dict_list = []  # 临时存放爬取的数据
    main(kw)

　　注意，由于微博的反爬机制，每次短时间的大量请求都会导致ip被短时间禁用，此处可以通过添加代理的方式来解决。我的想法是在页码解析部分添加代理池，随机选择代理，如果当前ip返回的状态码为200，则进行解析出页码，并将该ip携带到页面解析；若状态码不是200，则循环选择下一个ip。