Python爬取微博文字与图片（不使用Cookie）

网页版微博是纯正的HTML，而且调用的微博自家的API来获取图片。

网址:https://m.weibo.cn/api/container/即为微博api里面包含了个人的信息与微博文字与图片存储地址。

进入api页面我们可以很清晰的看到各种信息都用json存储起来了。我们再利用python中的json库提取出来即可。这比其它利用cookie模拟登陆要方便很多，我们只要输入被爬虫用户的微博ID然后运行便能自动爬取。

ID从这个复制链接里面可以看出来。

代码采用Python3

# -*- coding: utf-8 -*-
import urllib.request
import json
import requests
import os

path = 'C:\\Users\\dell\\Desktop\\weibo\\'

id = '2093492691'
proxy_addr = "122.241.72.191:808"
pic_num = 0
weibo_name = "programmer"

def use_proxy(url,proxy_addr):
    req=urllib.request.Request(url)
    req.add_header("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")
    proxy=urllib.request.ProxyHandler({'http':proxy_addr})
    opener=urllib.request.build_opener(proxy,urllib.request.HTTPHandler)
    urllib.request.install_opener(opener)
    data=urllib.request.urlopen(req).read().decode('utf-8','ignore')
    return data

def get_containerid(url):
    data=use_proxy(url,proxy_addr)
    content=json.loads(data).get('data')
    for data in content.get('tabsInfo').get('tabs'):
        if(data.get('tab_type')=='weibo'):
            containerid=data.get('containerid')
    return containerid

def get_userInfo(id):
    url='https://m.weibo.cn/api/container/getIndex?type=uid&value='+id
    data=use_proxy(url,proxy_addr)
    content=json.loads(data).get('data')
    profile_image_url=content.get('userInfo').get('profile_image_url')
    description=content.get('userInfo').get('description')
    profile_url=content.get('userInfo').get('profile_url')
    verified=content.get('userInfo').get('verified')
    guanzhu=content.get('userInfo').get('follow_count')
    name=content.get('userInfo').get('screen_name')
    fensi=content.get('userInfo').get('followers_count')
    gender=content.get('userInfo').get('gender')
    urank=content.get('userInfo').get('urank')
    print("微博昵称："+name+"\n"+"微博主页地址："+profile_url+"\n"+"微博头像地址："+profile_image_url+"\n"+"是否认证："+str(verified)+"\n"+"微博说明："+description+"\n"+"关注人数："+str(guanzhu)+"\n"+"粉丝数："+str(fensi)+"\n"+"性别："+gender+"\n"+"微博等级："+str(urank)+"\n")

def get_weibo(id,file):
    global pic_num
    i=1
    while True:
        url='https://m.weibo.cn/api/container/getIndex?type=uid&value='+id
        weibo_url='https://m.weibo.cn/api/container/getIndex?type=uid&value='+id+'&containerid='+get_containerid(url)+'&page='+str(i)
        try:
            data=use_proxy(weibo_url,proxy_addr)
            content=json.loads(data).get('data')
            cards=content.get('cards')
            if(len(cards)>0):
                for j in range(len(cards)):
                    print("-----正在爬取第"+str(i)+"页，第"+str(j)+"条微博------")
                    card_type=cards[j].get('card_type')
                    if(card_type==9):
                        mblog=cards[j].get('mblog')
                        attitudes_count=mblog.get('attitudes_count')
                        comments_count=mblog.get('comments_count')
                        created_at=mblog.get('created_at')
                        reposts_count=mblog.get('reposts_count')
                        scheme=cards[j].get('scheme')
                        text=mblog.get('text')
                        if mblog.get('pics') != None:
                            # print(mblog.get('original_pic'))
                            # print(mblog.get('pics'))
                            pic_archive = mblog.get('pics')
                            for _ in range(len(pic_archive)):
                                pic_num += 1
                                print(pic_archive[_]['large']['url'])
                                imgurl = pic_archive[_]['large']['url']
                                img = requests.get(imgurl)
                                f = open(path+weibo_name+'\\'+str(pic_num)+ str(imgurl[-4:]), 'ab')  # 存储图片，多媒体文件需要参数b（二进制文件）
                                f.write(img.content)  # 多媒体存储content
                                f.close()

with open(file,'a',encoding='utf-8') as fh:
                            fh.write("----第"+str(i)+"页，第"+str(j)+"条微博----"+"\n")
                            fh.write("微博地址："+str(scheme)+"\n"+"发布时间："+str(created_at)+"\n"+"微博内容："+text+"\n"+"点赞数："+str(attitudes_count)+"\n"+"评论数："+str(comments_count)+"\n"+"转发数："+str(reposts_count)+"\n")
                i+=1
            else:
                break
        except Exception as e:
            print(e)
            pass

if __name__ == "__main__":
    if os.path.isdir(path+weibo_name):
        pass
    else:
        os.mkdir(path+weibo_name)
    file = path+weibo_name+'\\'+weibo_name+".txt"
    get_userInfo(id)
    get_weibo(id, file)

# -*- coding: utf-8 -*-

import urllib.request

import json

import requests

import os

path = 'C:\\Users\\dell\\Desktop\\weibo\\'

id = '2093492691'

proxy_addr = "122.241.72.191:808"

pic_num = 0

weibo_name = "programmer"

def use_proxy(url,proxy_addr):

req=urllib.request.Request(url)

req.add_header("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0")

proxy=urllib.request.ProxyHandler({'http':proxy_addr})

opener=urllib.request.build_opener(proxy,urllib.request.HTTPHandler)

urllib.request.install_opener(opener)

data=urllib.request.urlopen(req).read().decode('utf-8','ignore')

return data

def get_containerid(url):

data=use_proxy(url,proxy_addr)

content=json.loads(data).get('data')

for data in content.get('tabsInfo').get('tabs'):

if(data.get('tab_type')=='weibo'):

containerid=data.get('containerid')

return containerid

def get_userInfo(id):

url='https://m.weibo.cn/api/container/getIndex?type=uid&value='+id

data=use_proxy(url,proxy_addr)

content=json.loads(data).get('data')

profile_image_url=content.get('userInfo').get('profile_image_url')

description=content.get('userInfo').get('description')

profile_url=content.get('userInfo').get('profile_url')

verified=content.get('userInfo').get('verified')

guanzhu=content.get('userInfo').get('follow_count')

name=content.get('userInfo').get('screen_name')

fensi=content.get('userInfo').get('followers_count')

gender=content.get('userInfo').get('gender')

urank=content.get('userInfo').get('urank')

print("微博昵称："+name+"\n"+"微博主页地址："+profile_url+"\n"+"微博头像地址："+profile_image_url+"\n"+"是否认证："+str(verified)+"\n"+"微博说明："+description+"\n"+"关注人数："+str(guanzhu)+"\n"+"粉丝数："+str(fensi)+"\n"+"性别："+gender+"\n"+"微博等级："+str(urank)+"\n")

def get_weibo(id,file):

global pic_num

i=1

while True:

url='https://m.weibo.cn/api/container/getIndex?type=uid&value='+id

weibo_url='https://m.weibo.cn/api/container/getIndex?type=uid&value='+id+'&containerid='+get_containerid(url)+'&page='+str(i)

try:

data=use_proxy(weibo_url,proxy_addr)

content=json.loads(data).get('data')

cards=content.get('cards')

if(len(cards)>0):

for j in range(len(cards)):

print("-----正在爬取第"+str(i)+"页，第"+str(j)+"条微博------")

card_type=cards[j].get('card_type')

if(card_type==9):

mblog=cards[j].get('mblog')

attitudes_count=mblog.get('attitudes_count')

comments_count=mblog.get('comments_count')

created_at=mblog.get('created_at')

reposts_count=mblog.get('reposts_count')

scheme=cards[j].get('scheme')

text=mblog.get('text')

if mblog.get('pics') != None:

# print(mblog.get('original_pic'))

# print(mblog.get('pics'))

pic_archive = mblog.get('pics')

for _ in range(len(pic_archive)):

pic_num += 1

print(pic_archive[_]['large']['url'])

imgurl = pic_archive[_]['large']['url']

img = requests.get(imgurl)

f = open(path+weibo_name+'\\'+str(pic_num)+ str(imgurl[-4:]), 'ab') # 存储图片，多媒体文件需要参数b（二进制文件）

f.write(img.content) # 多媒体存储content

f.close()

with open(file,'a',encoding='utf-8') as fh:

fh.write("----第"+str(i)+"页，第"+str(j)+"条微博----"+"\n")

fh.write("微博地址："+str(scheme)+"\n"+"发布时间："+str(created_at)+"\n"+"微博内容："+text+"\n"+"点赞数："+str(attitudes_count)+"\n"+"评论数："+str(comments_count)+"\n"+"转发数："+str(reposts_count)+"\n")

i+=1

else:

break

except Exception as e:

print(e)

pass

if __name__ == "__main__":

if os.path.isdir(path+weibo_name):

pass

else:

os.mkdir(path+weibo_name)

file = path+weibo_name+'\\'+weibo_name+".txt"

get_userInfo(id)

get_weibo(id, file)

最终的效果图(爬取的微博txt文件):

爬取的微博图片：

以后下壁纸就很简单啦！！！

GUI程序：http://www.omegaxyz.com/2018/02/14/python_weibo_gui/

29 评论

ricky

2023-05-11 / 00:59 回复

大佬为什么运行源代码只能爬到一百八十多页？其他人有这样的问题吗？
- xyjisaw
  
  2023-05-15 / 17:05 回复
  
  年代久远，这个代码现在还能跑嘛？
  欢迎您push最新的代码到：https://github.com/xyjigsaw/Weibo-Crawler-GUI
  - seven
    
    2023-06-25 / 16:57 回复
    
    能跑，但是很奇怪的跑到将近200页的时候输出的cards就会变成空值，但是将网站直接贴到浏览器上面又显示明明是有json值的
    - xyjisaw
      
      2023-06-26 / 16:15 回复
      
      可能是微博的反爬机制，欢迎你调试并push最新的代码到https://github.com/xyjigsaw/Weibo-Crawler-GUI
  - rene
    
    2023-12-18 / 21:37 回复
    
    还可以但是只能前50页了，之后无限循环
    - xyjisaw
      
      2023-12-22 / 17:09 回复
      
      欢迎帮忙修改一下代码：https://github.com/xyjigsaw/Weibo-Crawler-GUI
nora9377

2023-05-10 / 08:58 回复

请问怎么保存为.csv？
- xyjisaw
  
  2023-05-10 / 10:34 回复
  
  使用csv库即可。
  - nora9377
    
    2023-05-10 / 17:02 回复
    
    您好可否选择时间范围进行爬取？请问可以怎么修改？
    - xyjisaw
      
      2023-05-15 / 17:04 回复
      
      应该是可以的，只需要捕获到发表时间即可。
Sunny

2022-10-31 / 22:42 回复

你好老師, 我是個初學者, 請問如果我想把下載的相片根據相片的發布日期命名排序, 我應該如何修改代碼?
另外如果想同時下載視頻, 是不是難以實踐, 感謝
- xyjisaw
  
  2022-11-20 / 17:21 回复
  
  你好，你可以把他们的meta信息放到同一个tuple里面，然后排序。
Biao Piao

2020-11-21 / 15:35 回复

Nice！
I copied the code！
千

2020-09-11 / 11:34 回复

我像个憨批，我ID拿错了
C#爬取微博文字、图片、视频（不使用Cookie） – 喵技术

2020-04-26 / 09:44 回复

[…] 前两天在网上偶然看到一个大佬OmegaXYZ写的文章，Python爬取微博文字与图片（不使用Cookie） […]
wen Zeng

2020-03-09 / 14:36 回复

找到了用户id，但是脚本函数get_userInfo返回{“ok”:0,”msg”:”\u8fd9\u91cc\u8fd8\u6ca1\u6709\u5185\u5bb9″,”data”:{“cards”:[]}}。但是使用浏览器打开却是正常的{“ok”:1…………(省略)。修改了User-Agent，也没好。请指导！
- xyjisaw
  
  2020-03-09 / 19:31 回复
  
  抱歉，细节我记不大清楚了
  - wen Zeng
    
    2020-03-12 / 08:58 回复
    
    谢谢回复。再请教一下https://m.weibo.cn/api/container/getIndex?type=uid&value=这个微博的API是怎么得到的？我查看了检查选项没找到，难道要抓包吗？谢谢
    - will zeng
      
      2020-03-14 / 10:38 回复
      
      已解决
      - xyjisaw
        
        2020-03-14 / 11:25 回复
        
        GUI 源码：https://github.com/xyjigsaw/Weibo-Crawler-GUI
- 千
  
  2020-09-11 / 11:23 回复
  
  请问您的问题解决了吗？我现在也遇到了同样的问题
wen Zeng

2020-03-09 / 10:19 回复

你好，这个container和直接查看网页源码获取到的图片链接一样吗？有时间请楼主解答
- xyjisaw
  
  2020-03-09 / 19:30 回复
  
  这个是用户发的原图
wen Zeng

2020-03-09 / 09:02 回复

长见识了
C#爬取微博文字、图片、视频（不使用Cookie） – Python量化投资

2020-03-08 / 11:33 回复

[…] 前两天在网上偶然看到一个大佬OmegaXYZ写的文章，Python爬取微博文字与图片（不使用Cookie） […]
v

2020-03-04 / 19:32 回复

博主的方法是把客户端伪装成了浏览器，设置proxy和user agent，但是这样浏览器端必须登陆过微博才可以用，我理解的对吗？
如果我想在一个app里面模拟，也要做这些操作了？
麻烦作者回复一下，谢谢
- xyjisaw
  
  2020-03-05 / 09:11 回复
  
  不是这样的，这个我是直接调用微博的api，我设置proxy和useragent是为了反反爬虫，不需要登录微博，如果你想在app里面模拟，直接调用代码中的url的api即可。
  - v
    
    2020-03-05 / 10:50 回复
    
    🐂🍺，楼主这个方法厉害了。我准备写一个C#版本，学习了，谢谢了
    - xyjisaw
      
      2020-03-05 / 10:53 回复
      
      Nice

Python爬取微博文字与图片（不使用Cookie）

大模型AlpacaFarm分析

NLG文本评估任务或许并不需要真值或参考文本

大模型中的RepE表征工程

大模型也是一种优化器（LLM as Optimizer）

全栈开发与快速部署Demo

学术idea自动发现与生成

自回归语言模型（language model）Python实现

粉丝期待的三体电影宇宙（近四十部电影与电视剧集）

基于历史对比学习的时序知识图谱推理

泰拉瑞亚Terriaria快速部署Linux服务器

29 评论

留下评论取消回复

相关文章

29 评论

留下评论取消回复