python+selenium 爬取微博（网页版）并解决账号密码登录、短信验证

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。