最近在学习python爬虫，并尝试用在微博上。然而时代在变化，网上的资料已经过时，基本上都无法在2021年使用，因此通过参考资料和自己钻研，最终走通了crawling过程。下面我会详细说明整个流程及注意事项，一方面是总结，一方面也为大家提供一个参考，希望能够帮助到大家。

python版本3.9.2

需要一个可以正常使用的Weibo账号及密码。

需要一部能够正常使用的手机用于验证。

可选网页记录工具，我这里使用的是Fiddler，大家也可以使用其他的工具，有助于理解原理。

注意我这里是模拟网页端，和手机端是不一样的。但其实网页端是最难的。

----------------------------------------------------

目录

 Python模拟微博登录

微博预登录

微博登录

短信验证

私信验证

评论爬取

后记

相信小伙伴们在使用网页端浏览微博的时候会发现，如果要登录网页版，除了用户名密码外，微博现在必须进行身份验证！如下图。

验证方式有三种：短信验证、私信验证和扫码验证。无论哪种验证方式，都需要手机端进行！所以如果要使用Python模拟登录微博，首次必须借助手机进行验证！有的小伙伴看到这儿可能不高兴了：这不坑爹吗，难道每次爬取数据都要用手机验证下，这也太麻烦了！先别急，一旦通过了第一次验证，我们就能够获取登录Cookie信息，只要把Cookie保存在本地，那么在接下来很长一段时间都可以通过直接读取Cookie进行数据爬取，无需再次手机端验证！其实第一次的手机端验证就是为了获取这个Cookie。这里的三种验证方式我们只选择短信验证和私信验证。扫码验证比较麻烦（其实是博主太懒没有研究），不过原理都是差不多的。

那么重点来了：怎么获取这个Cookie？

获取cookie的过程是比较麻烦的，我会尽量讲清楚。

在登录微博之前，我们需要先进行预登录，不要问为啥，微博就是这样设计的😶。

首先，网页端微博的登录地址在此新浪通行证登录。

这里我们可以把Fiddler打开，看看登录的整个过程发起了哪些请求。这里选择短信登录（注意，微博限制了用户每天短信验证码的使用次数，一天内最多接收10次左右的验证码，所以还是更推荐大家使用私信验证，因为私信验证不限制次数）。Fiddler会显示非常多的请求信息。我们可以使用Host过滤出我们需要分析的请求，如下图。

我们需要的就是使用Python模拟发送这些请求，最终获得Cookie数据。

上图中第一个请求prelogin就是预登录请求，用于获取公钥及其他验证信息。这里相当于是Weibo的第一层防护。

我们详细看下这个请求：

请求头如下图。请求头中唯一需要注意的是Referer参数。在使用Python模拟该请求时，请一定加上Referer，不然无法正常发送请求！

再看下请求的params：

entry、callback、rsakt、client都是固定，_则是当前的毫秒级时间戳。su是base64加密后的用户名，加密方法如下：

接下来看下返回body。这里我们把返回的json串格式化仔细看下：

retcode表示返回状态，0表示返回成功。servertime依旧是时间戳，pcid不需要，跳过。nonce为随机数。pubkey为公钥，rsakv是下一步请求中需要使用到的字符串。

返回的这些信息中我们需要使用到的是nonce、servertime、rsakv和pubkey，这些信息都是下一步登录请求中需要使用到的参数。其中nonce、servertime和pubkey是用来对密码sp进行加密的。加密代码如下：

通过预登录，我们其实只是获得了登录请求的前置参数，接下来才是真正的登录请求。

接下来需要做下准备发起登录Post请求，请求的body信息如下图。其中su和sp即我们加密后的用户名和密码，加密方法参见上一节的get_su和get_password方法。servertime、nonce、rsakv均是prelogin预登录返回的数据。其他则是固定值。

请求params中client为固定值，_为毫秒级时间戳。

看下header，注意红框中的参数记得带上。

如果数据没问题，发起登录请求后返回值如下图。可以看到，虽然我们正确发送了登录请求（用户名密码都正确），微博网页端依旧要求我们进一步进行验证，这里算是Weibo的第二层防护。

返回结果中重要的信息是'protection_url'中的token值，我们需要手动提取出该值，后面会用到。

下面进行下一步验证。验证分三种：1、短信验证码验证，2、私信验证，3、扫码验证。下面仅介绍短信验证码验证和私信验证。

首先我们要模拟微博网页端向我们的手机发送短信验证码，这里的难点是如何获取用户手机号。有的小伙伴要问了，我当然晓得我记姬的手机号，还用获取❓没错，因为接下来的请求使用的手机号都是加了密的，即便你知道自己的手机号，也不能直接使用。我们其实并不需要知道如何加密，而只需要知道加密后的手机号即可！

那么下面就是一个简单的到页面上爬取手机号（已加密）的操作。请求如下图。注意请求params，callback_url是固定值，而token则是上一步登录时我们获取到的token。

再看下请求返回的页面（下图），红框中即加密后的手机号，也就是我们需要的字符串。

 我们可以使用BS爬取。

到这里我们就获取到了加密后的手机号，接下来发送短信，请求如下。请求params依旧会传token，body里放入加密后的手机号。

headers如下，注意红框中的信息要填上。其中Referer是一个地址，其中用到了token和callback_url两个参数。

相关代码如下：

如果短信发送成功，那么我们应该会收到一条短信验证码。之后需要手动将验证码输入Python input中用于验证，我们可以简单的用message_code = input('输入短信验证码')等待用户输入验证码。注意验证码时效性为10分钟，10分钟内收到的都会是同一个验证码。

收到验证码后，终于能够真正开始短信验证了，请求如下图。请求Params中仍旧需要放入token。Body里面包括加密后的手机号和收到的短信验证码。如果请求成功，会返回一个json字符串。

相关代码如下。注意这里的headers依旧使用的是上一步的headers，这里就不展示了。

我们看下返回的json字符串。retcode为20000000且msg为succ说明请求成功。到这儿可能有的小伙伴已经不耐烦了，怎么发送了这么多请求还没有看到cookie的影子？？别急，就差一步啦。注意到返回的json串中的data有一个'redirect_url'属性。

我们提取出redirect_url，然后直接发起一个get请求，如下图。该请求不需要添加任何参数，直接get就行。我们可以在Response中看到返回了6个Cookie。其中的SUB就是我们需要的Cookie。到这儿我们终于成功获取到Cookie啦。

这里需要额外提醒下，我的全流程都走的网页端微博，如果大家想从手机端爬取数据，这里的Cookie是不共用的！本人尝试过拿着这里网页端获取的Cookie到手机端网页地址爬取数据，怎么都无法成功，所以建议大家先想好是从哪个地方爬取数据。

接下来我们需要使用python的cookiejar工具单独提取出Cookie中SUB的键值，并以字符串的形式保存在本地文件中。有些小伙伴可能会问，都已经获得了完整的Cookie对象了，干嘛不直接使用，为什么非要再单独提取出来SUB？因为返回的Cookie对象中的Domain和我们接下来将要爬取的页面的Domain不一样！因此是无法直接使用的！所以我们需要单独提取出SUB。

保存Cookie的代码如下，我们只需要SUB和它的Value。

到这里我们的Cookie已经获取并保存到本地了，在之后的数据爬取中，我们只要在请求中手动设置Cookie即可，如下。可以看到评论数据的域名为’weibo.com'，和Cookie获取时的‘sina.com.cn’是不一样的哦。

私信验证的过程与短信验证差不多，甚至还要更简单些，因为不再需要手动爬取加密的手机号。发送私信请求如下图。

若发送成功，我们会在手机上的微博app里收到一条登录提示消息，只要点击允许即可。

这里和短信验证不同的是，私信验证纯粹走的是手机端，不需要我们在程序里单独发送请求，因此程序中需要持续监测验证状态，不然无法知道什么时候验证成功。我这里是尝试获取10次状态，每次休息2秒钟，大家可以根据需要修改。

如果成功进行了私信验证，则返回的信息中又会出现'redirect_url'。接下来的步骤和短信验证是一样的，这里不赘述了。

好了，到这里我们终于完成了第一步（是的，才第一步）：Python模拟微博登录，下面就开始搞事情拉。

难点在于，微博使用的“懒加载”，即并不会一次性的展示尽可能多的数据，而需要用户主动操作去获取，如用户滑鼠标或点击“加载更多”。

我们这里以最近大火的利老师为例做说明：

我们打开他置顶的这条“下班”微博，打开Fiddler的跟踪功能，然后尝试加载几次他的微博评论，经过观察，可以看到是以下这些接口在获取数据。评论数据就藏在返回的data中的html里。

我们首先仔细看下第一个请求。其中ajwvr和from都是固定值。id指向的就是本条微博，后续的查询也不会变，__rnd是毫秒级时间戳。注意Headers中加上Host参数。Cookie中放入咱们的SUB即可。

观察下第一页数据的返回值。这里我将html格式化了，方便大家查看。红框中的数据是下一页数据的信息。也就是说我们必须先爬取前页数据才能获取到下一页数据的入参......注意这里的action-data是放在html最后的div中，node-type为“comment_loading”。

那么我们继续看下第二页数据。

可以看到和第一页数据的格式是一样的。那么这就可以开始愉快的爬数据了吧？不行呢。我们再继续看下第三页的数据。可以看到下一页的请求参数数据又跑到了html最后一个a标签中......这算是第三层防护，不过不用担心，因为接下来的数据都是这种格式。这里就是想要提醒大家，如果使用微博网页端进行数据爬取，需要考虑到这两种情况。

如果你能看到这里，首先感谢你这么有耐心，也希望你成功。其实笔者并不是爬虫专家，甚至python都是现学现卖的。不过通过这次“实验”，让我感到爬虫的难度还是蛮高的。难点不都是来自于技术，更多的是来自于和网站开发者的博弈。网站的开发者为了防止爬虫一定会设置重重阻碍。而我们要做的就是仔细观察，水来土掩，见招拆招，突破重重阻拦，这就需要开发者具备极大的耐心和分析能力。只能说这个过程是艰辛也是有趣的。

github链接在此https://github.com/Lisz112/Python-/blob/main/PythonScrawlerWeibo.py