网页端的微博比移动端的难爬一点，但是来网页端是因为这里可以使用高级搜索功能，它不同于普通搜索的是它可以选定发布时间和发布地点，把博文和这些爬下来可以用来做更多更全面的数据分析。

去微博搜索某个关键词，会发现第一页的内容下拉到底后，微博会提示登录才能看到之后的页面的内容，点击登录之后它就会分页显示，最多显示到50页。 我一开始想着，那我只要分析微博的网址构造，然后用requests去打开后面页数的网址不就可以了？比如去用高级搜索功能搜索： https://s.weibo.com/weibo/%25E6%2596%25B0%25E8%2583%25BD%25E6%25BA%2590%25E6%25B1%25BD%25E8%25BD%25A6%25E6%2594%25BF%25E7%25AD%2596?q=%E6%96%B0%E8%83%BD%E6%BA%90®ion=custom:44:1000&typeall=1&suball=1×cope=custom:2020-12-08:2020-12-16&Refer=g 这是上图的搜索结果的网址，不难发现： q后面的是关键词（经过二次编码后变成了一长串的东西）； region=custom:XX:1000，这里的XX是省份的代码； typeall=1&suball=1 ，这两是“类型”和“包含”选项； timescope=custom:2020-12-08:2020-12-16就是时间段。

登录后查看第二页的网址： https://s.weibo.com/weibo/%25E6%2596%25B0%25E8%2583%25BD%25E6%25BA%2590%25E6%25B1%25BD%25E8%25BD%25A6%25E6%2594%25BF%25E7%25AD%2596?q=%E6%96%B0%E8%83%BD%E6%BA%90®ion=custom:44:1000&typeall=1&suball=1×cope=custom:2020-12-08:2020-12-16&Refer=g&page=2 其他都相同，就最后多了个&page=2。然后看第三页也是&page=3。再然后再第一页的最后面页加个&page=1，也能正常打开。 至此，我们就找到了网址的构造规律了。

接下来，设置变量分别代表：搜索关键词、省份对应的数字（这个得自己打开微博一个个去试）、起始年、起始月、起始日、终点年、终点月、终点日、页码。 然后通过改变变量就可以访问所有相应的网页了。 （ps：因为怕50页显示不了太多，这里起始终止的年和月变量我就用同一个了）

但是问题来了，发现爬虫只能爬下第一页的数据，第二页开始的都爬不了，为什么呢？这时你退出登录，然后再复制上面的第二页的网址去打开，你就发现打开不了，跳到了登录页面，微博还是要你登录才能访问之后的内容。 哦，所以现在我们需要去模拟微博登录。

用selenium模拟浏览器操作。 网上的方法大多推荐用http请求、获取cookie这些,但说实话这些对新手不太友好。 selenium可能存在有一些缺点，但它也有它的优点，selenium做爬虫的好处就是简单直接（只需要知道简单的HTML和xpath的知识就够了），而且可以通过浏览器直接看到爬取的过程，出现错误很容易发现（这不比看pycharm下面一大串的报错信息强？）。 怎么操作详情往下看。

谷歌浏览器、python3.7、pycharm（这些就先自己安装吧，这里就不给教程了）

selenium是一个用于Web应用程序测试的工具，selenium测试直接运行再浏览器上，就像真正的用户在操作一样。（百度百科） 简单来说，selenium就是用来模拟用户操作浏览器。

Chrome驱动下载地址：http://npm.taobao.org/mirrors/chromedriver/

windows系统（不管你是32还是64位）就是这个win32的。

下载完成后，需要做两件事： （1）.将驱动放复制到浏览器根目录下； 找到谷歌浏览器快捷方式，右键，打开文件位置，把下载的文件夹里面的那个东西粘贴进来（注意不能直接把下载的文件夹放进来，要放里面的chromedriver，下面的第二步也一样） （2）.将驱动复制到Python根目录下。 可以打开pycharm，左边Project里面可以看到你的项目的路径，放那就行。

测试环境是否搭建成功

运行后可以看到新开一个浏览器窗口并在几秒内打开了百度

先学一下selenium的基本操作吧。（可以先简单看看）

定位的方法有很多，这里主要用以下两种方式：

find_element_by_id 使用id定位元素 find_element_by_xpath 使用xpath定位元素

以上方法可以定位到网页的第一个符合该定位条件的元素，但我们写爬虫有时候需要定位这类的所有元素（比如爬取当前页面所以微博的文本内容），所以需要用下面的find_elements方法（加个s就行）。具体加不加s根据实际情况决定。

find_elements_by_id 使用id定位所有元素 find_elements_by_xpath 使用xpath定位所有元素

插一下我的启蒙教程：（up猪打钱！） （1）https://www.bilibili.com/video/BV1Jx411Z7mX （2）https://www.bilibili.com/video/BV1px411d7XY 观看建议： 上面的（1）是关于“Selenium安装及使用”，（2）是“登录效果实现”。 建议开1.5倍速看，里面还会介绍一下原理性的东西和一些废话，不喜欢的可以快进直到正式内容。 如果没看懂我上面的selenium安装和使用的可以去这里看看。 时间是第一个视频的第3分钟开始到第二个视频的第28分钟。

运行上面的代码会打开百度的页面。这里一定要成功才能做后面的内容！ 按F12打开开发者工具。点击那个小鼠标箭头，再点击百度的输入框，会定位到这个输入框的html元素。可以看到百度的输入框是一个input表单。 因为id属性一般是唯一性的（至少绝大部分网站是这样），所以我们找元素优先考虑find_elements_by_id。（如果没有id属性，再用find_elements_by_xpath） 同理，你也可以定位到百度一下的提交按钮。 下面分别是百度的输入框和百度一下按钮的html代码。 可以看到输入框的id属性是kw，按钮的id属性是su。 定位到了元素，然后需要对它进行操作，这里有两种： （1）点击。 .click()方法 （2）写入。 .send_keys(str)方法

上面两行代码加上去，运行，发现打开浏览器后会自动输入内容并点击搜索按钮，之后我们就可以看到搜索内容了。

ps： xpath方法。以百度一下按钮为例。 input上一级是一个span标签，再上一级是form标签。

主要以下几种： //元素名[@class=“xxxx”]/元素名 //元素名[@class=“xxxx”]/元素名[i] //第i个元素，从1开始 //元素名[@id=“xxxx”]/元素名 如果没指定元素的选择条件则是选择第一个同名的元素。

xpath的知识这不讲太多，实在不懂还可以去学习别的教程。比如： Xpath教程

好，现在你已经学会selenium的基本操作了，接下来开始爬取微博吧。

ps：你只要把下面的代码按顺序合在一起就是完整的代码。

一行一行的输入，看到有下划的曲线就说明该包未安装。 安装方法主要两种，一是打开命令行，输入pip install 包名。 二是直接在pycharm，左上角file菜单》setting》Project》Python Interpreter，可以看到已经安装的包，然后点击右边的小加号，输入包名，选中并点击install即可。 （虽然里面有些包可能这里用不到，但做爬虫的话很多以后都会用到的，现在装上也好） 上面搜索框输入包名，之后点击install package，等它下载好会自动安装，安装好后会有提示，等一会或者不行就重启pycharm，如果看到下划的曲线消失就说明安装成功了。

首先我们只需要爬取文字，所以可以不加载图片加快本身偏慢的selenium的爬取速度。禁止图片和css加载会有警告信息，忽略即可。 如果有看不懂的也不怕，因为可以不用知道是什么意思，复制粘贴就行。（因为我也不知道hhhhh）

思路很简单，定位到登录按钮、点击登录、定位到账号密码输入框、输入、定位到确认登录按钮并点击…下面都是这个做法。 再复习下怎么定位和操作： （1）看这个元素有没有id属性，有就用 find_element_by_id （2）没有id属性就用 find_element_by_xpath （看情况要不要在element后加s） （3）定位到元素之后，点击，click() （4）键盘输入内容，send_keys(xxxx)

最后要记得改一下下面代码前两行的账号和密码！

短信验证无非两种，方式一是点击，往你的手机发送六位验证码，然后你在pycharm里面输入，填入到页面，再点确定。（我因为试验的时候发了太多次验证码被限制了。。后面就只能用第二种了） 方式二，点击其他号码登录、填入你的号码（可以跟方式一里的同一个手机号），然后出现提示，要你发送指定内容到指定号码，你拿起手机去发送短信，发送完后在pycharm输入任意内容再按回车，表示你发完短信了，继续模拟提交。至此，登录成功。

初始化变量。里面输出文件的路径可能需要改成你电脑的某个路径。

最后用循环语句开始爬内容吧。每爬完50页网csv文件写入一次（防止意外） while循环是爬取某一年内每个月的内容。 for yeshu in range(1,51) 循环是爬取当前时间段50页的内容。 当然，循环条件你可以自己改。

在for循环里加入了try except语句处理异常。

把时间和博文内容分别保存到time2和textAll两个列表中。

运行后每次保存到csv前打印出来查看 我运行了爬取一个月的结果。

补充 扫码登录方式.

对你有帮助的话就点个赞吧。 有问题评论或者私信吧，看到了会回复。