一直琢磨着写个爬虫玩，上学期都没实行，于是花了大概一天写了这个东西。
其实半天就把程序调试好了，可是在往mysql数据库里保存数据的时候出了问题。
python的中文编码实在是非常麻烦，不光如此，因为有些用户的简介里有一些特殊符号，®或者笑脸之类的，于是在这里纠结了很久，好歹最后是成功了(其实也就是过滤掉了那些特殊符号)。
效率来说呢，开始的时候一个小时能采集大概1.4w条微博的用户信息，但是由于我是从每个人的关注列表里采集的，所以很快就会遇到爬到许多已经爬过的用户，所以总的来说效率不是很高，怪不得那个“中国爬盟”要发动群众的力量去爬。
而且有些担心爬久了微博账号被封，我也没敢尝试太久，最后爬了5w条用户信息，8w条关系数据，我拿着数据目前也没什么用，所以就这样吧。
python没看多久，代码有冗余的地方，其实主要就是三个函数save_user(),creepy_myself(),creepy_others()
具体的就看代码的注释吧
#coding=utf8
import urllib2
import re
from BeautifulSoup import *
import MySQLdb
import sys
"""
Login to Sina Weibo with cookie
setdefaultencoding 用于对中文编码的处理
"""
reload(sys)
sys.setdefaultencoding('utf8')
COOKIE ='你的cookie'
HEADERS = {'cookie': COOKIE}
UID= COOKIE[COOKIE.find('uid')+4:COOKIE.find('uid')+14]
'''
尝试连接数据库，以供保存诗句
'''
try:
conn=MySQLdb.connect(host='127.0.0.1',user='root',passwd='root',db='weibodata',port=3309,charset='utf8',use_unicode=False)
cur=conn.cursor()
except MySQLdb.Error,e:
print "Mysql Error %d: %s" % (e.args[0], e.args[1])
def save_user(uuid,uid,name,common):
'''
save_user(uuid,uid,name,common)
用于保存诗句，uuid->uid是用户关系，uuid关注uid
uid,name,common是将要保存的用户信息
setup.ini中保存有两个数字
第一个是now我对当前用户的编号
第二个point是当前正在扫描的用户的编号
你可以把它们看作是一个队列的两个指针
'''
fileHandle = open ( 'setup.ini','r+');
now=int(fileHandle.readline())+1;
point =int(fileHandle.readline())
print now
#print uuid,uid,name,common
#保存用户关系信息
count=cur.execute('select * from relations where uid1=\''+str(uuid)+'\' and uid2=\''+str(uid)+'\'')
if (count==0):
cur.execute('insert into relations(uid1,uid2)values(\''+\
str(uuid)+'\',\''+str(uid)+'\')')
conn.commit()
count=cur.execute('select * from users where uid=\''+str(uid)+'\'')
#保存用户信息
if (count==0):
cs=common.encode('gbk', 'ignore').decode('gbk', 'ignore').encode('utf-8', 'ignore')
#print cs
cur.execute('insert into users(id,uid,name,common)values(\''+\
str(now)+'\',\''+str(uid)+'\',\''+str(name)+'\',\"'+\
cs +\
'\")')
conn.commit()
fileHandle.close()
fileHandle = open ( 'setup.ini','w');
fileHandle.write(str(now)+'\n'+str(point))
fileHandle.close()
def creepy_myself():
'''
这是用来扫描你自己的关注列表的
我想着得有个开头，所以第一次使用时应调用这个函数为队列添加一些用户再作扩展
'''
uid= COOKIE[COOKIE.find('uid')+4:COOKIE.find('uid')+14]
url = 'http://weibo.com/'+str(uid)+'/myfollow?t=1&page=1'
mainurl='http://weibo.com/'+str(uid)+'/myfollow?t=1&page='
req = urllib2.Request(url, headers=HEADERS)
text = urllib2.urlopen(req).read()
mainSoup=BeautifulSoup(text)
strs=str(mainSoup.find('div','lev2'));
num=int(strs[strs.find('(')+1:strs.find(')')])
lines=text.splitlines()
for line in lines:
if line.startswith('<script>STK && STK.pageletM && STK.pageletM.view({"pid":"pl_relation_myf'):
n = line.find('html":"')
if n > 0:
j = line[n + 7: -12].replace("\\", "")
soup =BeautifulSoup(j)
follows=soup.findAll('div','myfollow_list S_line2 SW_fun')
for follow in follows:
namess=follow.find('ul','info').find('a')['title']
temp_str=str(follow)
uiddd= temp_str[temp_str.find('uid')+4:temp_str.find('&')]
save_user(UID,uiddd,namess,follow.find('div','intro S_txt2').contents[0][6:])
for i in range(2,num/30+1):
url = 'http://weibo.com/2421424850/myfollow?t=1&page='+str(i)
req = urllib2.Request(url, headers=HEADERS)
text = urllib2.urlopen(req).read()
lines=text.splitlines()
for line in lines:
if line.startswith('<script>STK && STK.pageletM && STK.pageletM.view({"pid":"pl_relation_myf'):
n = line.find('html":"')
if n > 0:
j = line[n + 7: -12].replace("\\", "")
soup =BeautifulSoup(j)
follows=soup.findAll('div','myfollow_list S_line2 SW_fun')
for follow in follows:
namess=follow.find('ul','info').find('a')['title']
temp_str=str(follow)
uiddd =temp_str[temp_str.find('uid')+4:temp_str.find('&')]
save_user(UID,uiddd,namess,follow.find('div','intro S_txt2').contents[0][6:])
def creepy_others(uid):
'''
扫描制定uid用户的信息
和上面一样代码有冗余
因为要先得到这个用户的关注人数，来计算一共有多少页数据
'''
url="http://weibo.com/"+str(uid)+"/follow?page=";
req = urllib2.Request(url, headers=HEADERS)
text = urllib2.urlopen(req).read()
mainSoup=BeautifulSoup(text.strip())
lines=text.splitlines()
num=1
for line in lines:
if line.startswith('<script>STK && STK.pageletM && STK.pageletM.view({"pid":"pl_relation_hisFollow'):
n = line.find('html":"')
if n > 0:
j = line[n + 7: -12].replace("\\n", "")
j = j.replace("\\t","")
j = j.replace("\\",'');
soup=BeautifulSoup(j)
strs=str(soup.find('div','patch_title'))
num=int(strs[strs.find('关注了')+9:strs.find('人</div')]);
follows=soup.findAll('li','clearfix S_line1')
for follow in follows:
temp_str=str(follow)
# print temp_str
temp_uid=temp_str[temp_str.find('uid'):temp_str.find('&')];
temp_soup=BeautifulSoup(temp_str);
temp_fnick=temp_soup.find('div').find('a')['title']
save_user(uid,temp_uid[4:],temp_fnick,str(temp_soup.find('div','info'))[18:-6]);
#print num/20+2
for i in range(2,num/20+1):
urls="http://weibo.com/"+str(uid)+"/follow?page="+str(i);
req = urllib2.Request(urls, headers=HEADERS)
text = urllib2.urlopen(req).read()
lines=text.splitlines()
for line in lines:
if line.startswith('<script>STK && STK.pageletM && STK.pageletM.view({"pid":"pl_relation_hisFollow'):
n = line.find('html":"')
if n > 0:
j = line[n + 7: -12].replace("\\n", "")
j = j.replace("\\t","")
j = j.replace("\\",'');
soup=BeautifulSoup(j)
strs=str(soup.find('div','patch_title'))
num=int(strs[strs.find('关注了')+9:strs.find('人</div')]);
follows=soup.findAll('li','clearfix S_line1')
for follow in follows:
temp_str=str(follow)
# print temp_str
temp_uid=temp_str[temp_str.find('uid'):temp_str.find('&')];
temp_soup=BeautifulSoup(temp_str);
temp_fnick=temp_soup.find('div').find('a')['title']
save_user(uid,temp_uid[4:],temp_fnick,str(temp_soup.find('div','info'))[18:-6]);
if __name__ == '__main__':
#save_user('123','123','ads','212332231')
#creepy_myself()
'''
虽然很谨慎地处理了中文编码，但每过一段时间还是会有一些问题
于是抛掉了所有异常，防止程序中断
'''
while(1):
'''
首先取得队列的尾指针，也就是point
根据point从数据库中找到uid，然后creepy_others(uuid)
'''
fileHandle = open ( 'setup.ini','r+');
now=int(fileHandle.readline());
point =int(fileHandle.readline())+1;
fileHandle.close()
fileHandle = open ( 'setup.ini','w');
fileHandle.write(str(now)+'\n'+str(point))
fileHandle.close()
cur.execute('select uid from users where id=\''+str(point)+'\'')
uuid=cur.fetchone()[0];
if len(uuid)==10:
try:
creepy_others(uuid)
except Exception , e:
pass
cur.close()
conn.close()
