最近在寫微博的爬蟲,框架已經基本穩定,但是在解析各字段含義的環節卡了好幾天,因爲不清楚各個字段的含義,官網的api註釋好像有點過時,很多字段沒有註釋,所以只能自己一點一點分析了
移動端得到的微博數據是json格式的,獲得一個頁面的數據以後,設爲data,則
data[‘cards’][0][‘card_group’]
能夠獲得一個數組,數組內每個元素都是一行微博,裏面包含了發佈時間,微博內容,發佈用戶,轉載內容等等。具體的字段有:
'idstr', #等同於id,是str形式
'id', #信息id
'created_timestamp', #創建時間戳 ex:1448617509
'created_at', #創建時間。但是要注意,如果是今年以前的數據,
#顯示格式是'year-month-day hour:min:sec' 格式。
#而今年的數據則顯示爲'month-day hour:min:sec'格式
'attitudes_count', #點贊數
'reposts_count', #轉發數
'comments_count', #評論數目
'isLongText', #是否是長微博(就目前來看,都是False)
'source', #用戶客戶端(iphone等)
'pid', #不明,但是有必要保存,不一定有值
'bid', #不明,但是有必要保存,不一定有值
# 圖片信息--------------------------------------------------------------
'original_pic', #圖片相關,原始圖片地址
'bmiddle_pic', #圖片地址,與original_pic相比,只是把large換位bmiddle
'thumbnail_pic', #地址似乎等於pic中圖片地址,尺寸是thumb
'pic_ids', #圖片id,是個Array
'pics', #如果包含圖的話,有該項,是一個數組,內嵌字典,
# 包括size,pid,geo,url等
# 以下字段內含數組或字典格式,需要進一步處理----------------------------------
'retweeted_status', #轉載信息。如果該微博內有轉載信息,則含有該項。轉載項字段與本微博一致
'user', #用戶信息,字典格式。其中['uid']與['name']分別表示用戶的id和名字
'page_info', #頁面內嵌的鏈接的信息。比如外鏈,文章,視頻,地理信息專題等內容。
'topic_struct', #話題信息,是數組格式,內涵字典,其中有'topic_title'項。
'text', #文本信息。內涵表情,外鏈,回覆,圖像,話題等信息。
這裏要講一下text項的處理問題。由於text項其實是一段html代碼,所以也可以用網頁分析包(如python的beautifulsoup, java 的 jsoup 等)來分析,但是一則沒有必要且速度慢,二則在新的雲主機上配置客戶端的時候還要下依賴包很麻煩,所以就使用正則表達式來分析了
隨便調了一個文本過來,是這樣的
<a class="k" href="/k/%E9%9F%B3%E4%B9%90%E4%B8%8B%E5%8D%88%E8%8C%B6?from=feed">#音樂下午茶#</a>
未覺池塘春草夢,階前梧葉已秋聲。雨侵壞甕新苔綠,秋入橫林數葉紅。夜深風竹敲秋韻,萬葉千聲皆是恨。人人解說悲秋事,不似詩人徹底知...<a data url=http://t.cn/zRMpLeo href="http://weibo.cn/sinaurl?u=http%3A%2F%2Ft.cn%2FzRMpLeo%3Furl_type%3D1%26object_type%3D%26pos%3D1&ep=AfF1y1cpN%2C2590506210%2CAfF1y1cpN%2C2590506210" class=""><i class="iconimg iconimg-xs"><img src="http://u1.sinaimg.cn/upload/2014/10/16/timeline_card_small_video_default.png"></i><span class="surl-text">視頻</span></a>
在上述文本中,包含了一個topic鏈接(#音樂下午茶#),一個外鏈鏈接(視頻)還有文本(未覺池塘春草夢,階前梧葉已秋聲。雨侵壞甕新苔綠,秋入橫林數葉紅。夜深風竹敲秋韻,萬葉千聲皆是恨。人人解說悲秋事,不似詩人徹底知…)
各項相對於的正則表達式如下所示
<i.+?</i> #表情,也可能內含一些東西
<a class="k".+?</a> #話題
<a href.+?</a> #用戶鏈接
回覆.+?// #回覆
\[.+?\] #表情
<a data-url.+?</a> #一般表示外鏈,表示視頻,網頁等等
<img.+?> #圖像
下面是相對應的python代碼,都包含在parseMicroblogPage類中。當獲得頁面數據之後,調用其中的parse_blog_page函數,即會返回一個數組,裏面包含了處理過以後的微博數據
class parseMicroblogPage():
def __init__(self):
self.p_face=re.compile(r'\[.+?\]')
self.p_face_i=re.compile(r'<i.+?</i>')
self.p_user=re.compile(r'<a href.+?</a>')
self.p_topic=re.compile(r'<a class="k".+?</a>')
self.p_reply=re.compile(r'回覆.+?//')
self.p_link=re.compile(r'<a data-url.+?</a>')
self.p_img=re.compile(r'<img.+?>')
self.p_span=re.compile(r'<span.+?</span>')
self.p_http_png=re.compile(r'http://.+?png')
def parse_blog_page(self,data):
try: # check if the page is json type
data=json.loads(data)
except:
save_page(data)
raise ValueError('Unable to parse page')
try: # check if the page is empty
mod_type=data['cards'][0]['mod_type']
except:
save_page(json.dumps(data))
raise ValueError('The type of this page is incorrect')
if 'empty' in mod_type:
raise ValueError('This page is empty')
try: # get card group as new data
data=data['cards'][0]['card_group']
except:
save_page(json.dumps(data))
raise ValueError('The type of this page is incorrect')
data_list=[]
for block in data:
res=self.parse_card_group(block)
data_list.append(res)
return data_list
def parse_card_group(self,data):
data=data['mblog']
msg=self.parse_card_inner(data)
return msg
def parse_card_inner(self,data):
msg={}
keys=list(data.keys())
key_array=[
# 基本信息--------------------------------------------------------------
'idstr', #等同於id,是str形式
'id', #信息id
'created_timestamp', #創建時間戳 ex:1448617509
'attitudes_count', #點贊數
'reposts_count', #轉發數
'comments_count', #評論數目
'isLongText', #是否是長微博(就目前來看,都是False)
'source', #用戶客戶端(iphone等)
'pid', #不明,但是有必要保存,不一定有值
'bid', #不明,但是有必要保存,不一定有值
# 圖片信息--------------------------------------------------------------
'original_pic', #圖片相關,原始圖片地址
'bmiddle_pic', #圖片地址,與original_pic相比,只是把large換位bmiddle
'thumbnail_pic', #地址似乎等於pic中圖片地址,尺寸是thumb
'pic_ids', #圖片id,是個Array
'pics', #如果包含圖的話,有該項,是一個數組,內嵌字典,
# 包括size,pid,geo,url等
]
for item in keys:
if item in key_array:
msg[item]=data[item]
#糅合 id , mid , msg_id
if 'id' not in keys:
if 'mid' in keys:
msg['id']=data['mid']
elif 'msg_id' in keys:
msg['id']=data['msg_id']
if 'attitudes_count' not in keys and 'like_count' in keys:
msg['attitudes_count']=data['like_count']
# created_at
if 'created_at' in keys:
if data['created_at'].__len__()>14:
msg['created_at']=data['created_at']
else:
if 'created_timestamp' in keys:
stamp=data['created_timestamp']
x=time.localtime(stamp)
str_time=time.strftime('%Y-%m-%d %H:%M',x)
msg['created_at']=str_time
else:
msg['created_at']=config.CURRENT_YEAR+'-'+data['created_at']
# retweeted_status
if 'retweeted_status' in keys:
msg['retweeted_status']=self.parse_card_inner(data['retweeted_status'])
msg['is_retweeted']=True
else:
msg['is_retweeted']=False
# user
if 'user' in keys:
msg['user']=self.parse_user_info(data['user'])
msg['user_id']=msg['user']['uid']
msg['user_name']=msg['user']['name']
# url_struct
# msg['url_struct']=self.parse_url_struct(data['url_struct'])
# page_info
if 'page_info' in keys:
msg['page_info']=self.parse_page_info(data['page_info'])
# topic_struct
if 'topic_struct' in keys:
msg['topic_struct']=self.parse_topic_struct(data['topic_struct'])
# text
if 'text' in keys:
msg['ori_text']=data['text']
msg['dealed_text']=self.parse_text(data['text'])
return msg
def parse_user_info(self,user_data):
keys=user_data.keys()
user={}
if 'id' in keys:
user['uid']=str(user_data['id'])
if 'screen_name' in keys:
user['name']=user_data['screen_name']
if 'description' in keys:
user['description']=user_data['description']
if 'fansNum' in keys:
temp=user_data['fansNum']
if isinstance(temp,str):
temp=int(temp.replace('萬','0000'))
user['fans_num']=temp
if 'gender' in keys:
if user_data['gender']=='m':
user['gender']='male'
if user_data['gender']=='f':
user['gender']='female'
if 'profile_url' in keys:
user['basic_page']='http://m.weibo.cn'+user_data['profile_url']
if 'verified' in keys:
user['verified']=user_data['verified']
if 'verified_reason' in keys:
user['verified_reason']=user_data['verified_reason']
if 'statuses_count' in keys:
temp=user_data['statuses_count']
if isinstance(temp,str):
temp=int(temp.replace('萬','0000'))
user['blog_num']=temp
return user
def parse_text(self,text):
msg={}
# data-url
data_url=re.findall(self.p_link,text)
if data_url.__len__()>0:
data_url_list=[]
for block in data_url:
temp=self.parse_text_data_url(block)
data_url_list.append(temp)
msg['data_url']=data_url_list
text=re.sub(self.p_link,'',text)
# topic
topic=re.findall(self.p_topic,text)
if topic.__len__()>0:
topic_list=[]
for block in topic:
temp=self.parse_text_topic(block)
topic_list.append(temp)
msg['topic']=topic_list
text=re.sub(self.p_topic,'',text)
# moiton
motion=[]
res1=re.findall(self.p_face_i,text)
for item in res1:
temp=re.findall(self.p_face,item)[0]
motion.append(temp)
text=re.sub(self.p_face_i,'',text)
res2=re.findall(self.p_face,text)
motion=motion+res2
if motion.__len__()>0:
msg['motion']=motion
text=re.sub(self.p_face,'',text)
# user
user=[]
user_res=re.findall(self.p_user,text)
if user_res.__len__()>0:
for item in user_res:
temp=self.parse_text_user(item)
user.append(temp)
msg['user']=user
text=re.sub(self.p_user,'@',text)
msg['left_content']=text.split('//')
return msg
def parse_text_data_url(self,text):
link_data={}
link_data['type']='data_url'
try:
res_face=re.findall(self.p_face_i,text)[0]
res_img=re.findall(self.p_img,res_face)[0]
res_http=re.findall(self.p_http_png,res_img)[0]
link_data['img']=res_http
res_class=re.findall(r'<i.+?>',text)[0]
link_data['class']=res_class
text=re.sub(self.p_face_i,'',text)
except:
pass
try:
res_span=re.findall(self.p_span,text)[0]
title=re.findall(r'>.+?<',res_span)[0][1:-1]
link_data['title']=title
text=re.sub(self.p_span,'',text)
except:
pass
try:
data_url=re.findall(r'data-url=".+?"',text)[0]
data_url=re.findall(r'".+?"',data_url)[0][1:-1]
link_data['short_url']=data_url
url=re.findall(r'href=".+?"',text)[0][6:-1]
link_data['url']=url
except:
pass
# print(text)
# print(json.dumps(link_data,indent=4))
return link_data
def parse_text_topic(self,text):
data={}
try:
data['type']='topic'
data['class']=re.findall(r'class=".+?"',text)[0][7:-1]
data['title']=re.findall(r'>.+?<',text)[0][1:-1]
data['url']='http://m.weibo.cn'+re.findall(r'href=".+?"',text)[0][6:-1]
except:
pass
return data
def parse_text_user(self,text):
data={}
data['type']='user'
try:
data['title']=re.findall(r'>.+?<',text)[0][2:-1]
data['url']= 'http://m.weibo.cn'+re.findall(r'href=".+?"',text)[0][6:-1]
except:
pass
return data
def parse_url_struct(self,data):
url_struct=[]
for block in data:
keys=block.keys()
new_block=block
url_struct.append(new_block)
return url_struct
def parse_page_info(self,data):
keys=data.keys()
key_array=[
'page_url',
'page_id',
'content2',
'tips',
'page_pic',
'page_desc',
'object_type',
'page_title',
'content1',
'type',
'object_id'
]
msg={}
for item in keys:
if item in key_array:
msg[item]=data[item]
return msg
def parse_topic_struct(self,data):
msg=[]
for block in data:
keys=block.keys()
temp=block
if 'topic_title' in keys:
temp['topic_url']='http://m.weibo.cn/k/{topic}?from=feed'\
.format(topic=block['topic_title'])
msg.append(temp)
return msg