进阶网络爬虫实践内容---微博网页内容爬取

import requests
from bs4 import BeautifulSoup
import re
import pandas as pd
 
# 设置请求头，模拟浏览器访问
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}
 
# 获取微博用户主页的网页内容
def get_page_content(url):
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except requests.RequestException:
        return None
 
# 解析微博数据，提取微博正文
def parse_weibo_data(html):
    soup = BeautifulSoup(html, 'lxml')
    weibo_data = []
    for container in soup.find_all('div', class_='c'):
        weibo = {}
        # 提取微博正文
        text = container.find('span', class_='ctt')
        if text:
            weibo['text'] = text.text.strip()
        else:
            continue
        # 提取转发数和评论数
        for info in container.find_all('span', class_='cc'):
            if '转发' in info.text:
                weibo['retweet_count'] = re.search('\d+', info.text).group(0)
            elif '评论' in info.text:
                weibo['comment_count'] = re.search('\d+', info.text).group(0)
        weibo_data.append(weibo)
    return weibo_data
 
# 保存微博数据到CSV文件
def save_weibo_data_to_csv(weibo_data, file_name):
    df = pd.DataFrame(weibo_data)
    df.to_csv(file_name + '.csv', index=False, encoding='utf-8-sig')
 
# 主函数
def main(user_id, since_date, count):
    url = f'https://weibo.com/p/100505{user_id}/home?is_search=0&visible=0&is_all=1&since_id=0&sort=time&page={count}'
    html = get_page_content(url)
    if html:
        weibo_data = parse_weibo_data(html)
        save_weibo_data_to_csv(weibo_data, f'weibo_data_{user_id}_{since_date}_{count}')
        print(f'微博数据已保存到 weibo_data_{user_id}_{since_date}_{count}.csv')
    else:
        print('网页内容获取失败')
 
# 示例用户ID为1234567890，起始日期为2023-01-01，爬取第1页的数据
main(1234567890, '2023-01-01', 1)

在这个代码示例中，我们定义了一个main函数，它接受用户ID、起始日期和页数作为参数，并将微博数据保存到CSV文件中。这个示例展示了如何使用Python进行网络爬取，提取特定的数据，并将其保存到文件中。需要注意