微博爬虫“免登录”技巧详解及 Java 实现
原文链接：微博爬虫“免登录”技巧详解及Java实现 - FullStack Yang
一、微博一定要登录才能抓取？
目前，对于微博的爬虫，大部分是基于模拟微博账号登录的方式实现的，这种方式如果真的运营起来，实际上是一件非常头疼痛苦的事，你可能每天都过得提心吊胆，生怕新浪爸爸把你的那些账号给封了，而且现在随着实名制的落地，获得账号的渠道估计也会变得越来越少。
但是日子还得继续，在如此艰难的条件下，为了生存爬虫们必须寻求进化。好在上帝关门的同时会随手开窗，微博在其他诸如头条，一点等这类新媒体平台的冲击之下，逐步放开了信息流的查看权限。现在的微博即便在不登录的状态下，依然可以看到很多微博信息流，而我们的落脚点就在这里。
本文详细介绍如何获取相关的Cookie并重新封装Httpclient达到免登录的目的，以支持微博上的各项数据抓取任务。下面就从微博首页http://weibo.com开始。
二、准备工作
准备工作很简单，一个现代浏览器（你知道我为什么会写”现代”两个字），以及httpclient（我用的版本是4.5.3）
跟登录爬虫一样，免登录爬虫也是需要装载Cookie。这里的Cookie是用来标明游客身份，利用这个Cookie就可以在微博平台中访问那些允许访问的内容了。
这里我们可以使用浏览器的network工具来看一下，请求http://weibo.com之后服务器都返回哪些东西，当然事先清空一下浏览器的缓存。
不出意外，应该可以看到下图中的内容
第1次请求http://weibo.com的时候，其状态为302重定向，也就是说这时并没有真正地开始加载页面，而最后一个请求http://weibo.com
的状态为200，表示了请求成功，对比两次请求的header：
明显地，中间的这些过程给客户端加载了各种Cookie，从而使得可以顺利访问页面，接下来我们逐个进行分析。
三、抽丝剥茧
第2个请求是 https://passport.weibo.com/visitor……，各位可以把这个url复制出来，用httpclient单独访问一下这个url，可以看到返回的是一个html页面，里面有一大段Javascript脚本，另外头部还引用一个JS文件mini_original.js，也就是第3个请求。脚本的功能比较多，就不一一叙述了，简单来说就是微博访问的入口控制，而值得我们注意的是其中的一个function：
// 为用户赋予访客身份 。var incarnate = function (tid, where, conficence) {var gen_conf = "";var from = "weibo";var incarnate_intr = window.location.protocol + "//" + window.location.host +"/visitor/visitora=incarnate&="+ encodeURIComponent(tid) + "&w=" + encodeURIComponent(where) + "&c=" + encodeURIComponent(conficence) + "&gc=" + encodeURIComponent(gen_conf) + "&cb=cross_domain&from=" + from + "&_rand=" + Math.random();url.l(incarnate_intr);};
这里是为请求者赋予一个访客身份，而控制跳转的链接也是由一些参数拼接起来的，也就是上图中第6个请求。所以下面的工作就是获得这3个参数：tid，w（where），c（conficence，从下文来看应为confidence，大概是新浪工程师的手误）。继续阅读源码，可以看到该function是tid.get方法的回调函数，而这个tid则是定义在那个mini_original.js中的一个对象，其部分源码为：
var tid = {key: tid,value: ,recover: 0,confidence: ,postInterface: postUrl,fpCollectInterface: sendUrl,callbackStack: [],init: function () {tid.get();},runstack: function () {var f;while(f = tid.callbackStack.pop()) {f(tid.value, tid.recover, tid.confidence);//注意这里，对应上述的3个参数}},get: function (callback) {callback = callback || function () {};tid.callbackStack.push(callback);if (tid.value) {return tid.runstack();}Store.DB.get(tid.key, function (v) {if (!v) {tid.getTidFromServer();} else {……}});},……}……getTidFromServer: function () {tid.getTidFromServer = function () {};if (window.use_fp) {getFp(function (data) {util.postData(window.location.protocol + // + window.location.host + / + tid.postInterface,"cb=gen_callback&fp=" + encodeURIComponent(data), function (res) {if (res) {eval(res);}});});} else {util.postData(window.location.protocol + // + window.location.host + / + tid.postInterface, "cb=gen_callback", function (res) {if (res) {eval(res);}});}},……//获得参数window.gen_callback = function (fp) {var value = false, confidence;if (fp) {if (fp.retcode == 20000000) {confidence = typeof(fp.data.confidence) != undefined ? 000 + fp.data.confidence : 100;tid.recover = fp.data.new_tid ? 3 : 2;tid.confidence = confidence = confidence.substring(confidence.length - 3);value = fp.data.tid;Store.DB.set(tid.key, value + __ + confidence);}}tid.value = value;tid.runstack();};
显然，tid.runstack()是真正执行回调函数的地方，这里就能看到传入的3个参数。在get方法中，当cookie为空时，tid会调用getTidFromServer，这时就产生了第5个请求https://passport.weibo.com/visitor/genvisitor
，它需要两个参数cb和fp，其参数值可以作为常量：
该请求的结果返回一串json
{"msg": "succ","data": {"new_tid": false,"confidence": 95,"tid": "kIRvLolhrCR5iSCc80tWqDYmwBvlRVlnY2+yvCQ1VVA="},"retcode": 20000000}
其中就包含了tid和confidence，这个confidence，我猜大概是推测客户端是否真实的一个置信度，不一定出现，根据window.gencallback方法，不出现时默认为100，另外当newtid为真时参数where等于3，否则等于2。
此时3个参数已经全部获得，现在就可以用httpclient发起上面第6个请求，返回得到另一串json：
{"msg": "succ","data": {"sub": "_2AkMu428tf8NxqwJRmPAcxWzmZYh_zQjEieKYv572JRMxHRl-yT83qnMGtRCnhyR4ezQQZQrBRO3gVMwM5ZB2hQ..","subp": "0033WrSXqPxfM72-Ws9jqgMF55529P9D9WWU2MgYnITksS2awP.AX-DQ"},"retcode": 20000000}
参考最后请求http://weibo.com的header，这里的sub和subp就是最终要获取的cookie值。大家或许有一个小疑问，第一个Cookie怎么来的，没用吗？是的，这个Cookie是第一次访问http://weibo.com
产生的，经过测试可以不用装载。
最后我们用上面两个Cookie装载到HttpClient中请求一次http://weibo.com
，就可以获得完整的html页面了，下面就是见证奇迹的时刻：
<!doctype html><html><head><meta charset="utf-8"><meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1"><meta name="viewport" content="initial-scale=1,minimum-scale=1" /><meta content="随时随地发现新鲜事！微博带你欣赏世界上每一个精彩瞬间，了解每一个幕后故事。分享你想表达的，让全世界都能听到你的心声！" name="description" /><link rel="mask-icon" sizes="any" href="//img.t.sinajs.cn/t6/style/images/apple/wbfont.svg" color="black" /><link rel="shortcut icon" type="image/x-icon" href="/favicon.ico" /><script type="text/javascript">try{document.execCommand("BackgroundImageCache", false, true);}catch(e){}</script><title>微博-随时随地发现新鲜事</title><link href="//img.t.sinajs.cn/t6/style/css/module/base/frame.css?version=6c9bf6ab3b33391f" type="text/css" rel="stylesheet" charset="utf-8" /><link href="//img.t.sinajs.cn/t6/style/css/pages/growth/login_v5.css?version=6c9bf6ab3b33391f" type="text/css" rel="stylesheet" charset="utf-8"><link href="//img.t.sinajs.cn/t6/skin/default/skin.css?version=6c9bf6ab3b33391f" type="text/css" rel="stylesheet" id="skin_style" /><script type="text/javascript">var $CONFIG = {};$CONFIG[islogin] = 0;$CONFIG[version] = 6c9bf6ab3b33391f;$CONFIG[timeDiff] =(new Date() - 1505746970000);$CONFIG[lang] = zh-cn;$CONFIG[jsPath] = //js.t.sinajs.cn/t5/;$CONFIG[cssPath] = //img.t.sinajs.cn/t5/;$CONFIG[imgPath] = //img.t.sinajs.cn/t5/;$CONFIG[servertime] = 1505746970;$CONFIG[location]=login;$CONFIG[bigpipe]=false;$CONFIG[bpType]=login;$CONFIG[mJsPath] = [//js{n}.t.sinajs.cn/t5/, 1, 2];$CONFIG[mCssPath] = [//img{n}.t.sinajs.cn/t5/, 1, 2];$CONFIG[redirect] = ;$CONFIG[vid]=1008997495870;</script><style>#js_style_css_module_global_WB_outframe{height:42px;}</style></head>……
如果之前有微博爬虫开发经验的小伙伴，看到这里，一定能想出来很多玩法了吧。
四、代码实现
下面附上我的源码，通过上面的详细介绍，应该已经比较好理解，因此这里就简单地说明一下：
我把Cookie获取的过程做成了一个静态内部类，其中需要发起2次请求，一次是genvisitor获得3个参数，另一次是incarnate获得Cookie值；如果Cookie获取失败，会调用HttpClientInstance.changeProxy来改变代理IP，然后重新获取，直到获取成功为止；在使用时，出现了IP被封或无法正常获取页面等异常情况，外部可以通过调用cookieReset方法，重新获取一个新的Cookie。这里还是要声明一下，科学地使用爬虫，维护世界和平是程序员的基本素养；虽然加了一些锁的控制，但是还未在高并发场景实测过，不能保证百分百线程安全，如使用下面的代码，请根据需要自行修改，如有问题也请大神们及时指出，拜谢！HttpClientInstance是我用单例模式重新封装的httpclient，对于每个传进来的请求重新包装了一层RequestConfig，并且使用了代理IP；不是所有的微博页面都可以抓取得到，但是博文，评论，转发等基本的数据还是没有问题的；后续我也会把代码push到github上，请大家支持，谢谢！import com.fullstackyang.httpclient.HttpClientInstance;import com.fullstackyang.httpclient.HttpRequestUtils;import com.google.common.base.Strings;import com.google.common.collect.Maps;import com.google.common.net.HttpHeaders;import lombok.NoArgsConstructor;import lombok.extern.slf4j.Slf4j;import org.apache.commons.lang3.StringUtils;import org.apache.http.client.config.CookieSpecs;import org.apache.http.client.config.RequestConfig;import org.apache.http.client.methods.HttpGet;import org.apache.http.client.methods.HttpPost;import org.json.JSONObject;import java.io.UnsupportedEncodingException;import java.math.BigDecimal;import java.net.URLEncoder;import java.util.Map;import java.util.concurrent.locks.Lock;import java.util.concurrent.locks.ReentrantLock;/*** 微博免登陆请求客户端** @author fullstackyang*/@Slf4jpublic class WeiboClient {private static CookieFetcher cookieFetcher = new CookieFetcher();private volatile String cookie;public WeiboClient() {this.cookie = cookieFetcher.getCookie();}private static Lock lock = new ReentrantLock();public void cookieReset() {if (lock.tryLock()) {try {HttpClientInstance.instance().changeProxy();this.cookie = cookieFetcher.getCookie();log.info("cookie :" + cookie);} finally {lock.unlock();}}}/*** get方法，获取微博平台的其他页面* @param url* @return*/public String get(String url) {if (Strings.isNullOrEmpty(url))return "";while (true) {HttpGet httpGet = new HttpGet(url);httpGet.addHeader(HttpHeaders.COOKIE, cookie);httpGet.addHeader(HttpHeaders.HOST, "weibo.com");httpGet.addHeader("Upgrade-Insecure-Requests", "1");httpGet.setConfig(RequestConfig.custom().setSocketTimeout(3000).setConnectTimeout(3000).setConnectionRequestTimeout(3000).build());String html = HttpClientInstance.instance().tryExecute(httpGet, null, null);if (html == null)cookieReset();else return html;}}/*** 获取访问微博时必需的Cookie*/@NoArgsConstructorstatic class CookieFetcher {static final String PASSPORT_URL = "https://passport.weibo.com/visitor/visitor?entry=miniblog&a=enter&url=http://weibo.com/?category=2"+ "&domain=.weibo.com&ua=php-sso_sdk_client-0.6.23";static final String GEN_VISITOR_URL = "https://passport.weibo.com/visitor/genvisitor"; static final String VISITOR_URL = "https://passport.weibo.com/visitor/visitor?a=incarnate";private String getCookie() {Map<String, String> map;while (true) {map = getCookieParam();if (map.containsKey("SUB") && map.containsKey("SUBP") &&StringUtils.isNoneEmpty(map.get("SUB"), map.get("SUBP")))break;HttpClientInstance.instance().changeProxy();}return " YF-Page-G0=" + "; _s_tentry=-; SUB=" + map.get("SUB") + "; SUBP=" + map.get("SUBP");}private Map<String, String> getCookieParam() {String time = System.currentTimeMillis() + "";time = time.substring(0, 9) + "." + time.substring(9, 13);String passporturl = PASSPORT_URL + "&_rand=" + time;String tid = "";String c = "";String w = "";{String str = postGenvisitor(passporturl);if (str.contains(""retcode":20000000")) {JSONObject jsonObject = new JSONObject(str).getJSONObject("data");tid = jsonObject.optString("tid");try {tid = URLEncoder.encode(tid, "utf-8");} catch (UnsupportedEncodingException e) {}c = jsonObject.has("confidence") ? "000" + jsonObject.getInt("confidence") : "100";w = jsonObject.optBoolean("new_tid") ? "3" : "2";}}String s = "";String sp = "";{if (StringUtils.isNoneEmpty(tid, w, c)) {String str = getVisitor(tid, w, c, passporturl);str = str.substring(str.indexOf("(") + 1, str.indexOf(")"));if (str.contains(""retcode":20000000")) {System.out.println(new JSONObject(str).toString(2));JSONObject jsonObject = new JSONObject(str).getJSONObject("data");s = jsonObject.getString("sub");sp = jsonObject.getString("subp");}}}Map<String, String> map = Maps.newHashMap();map.put("SUB", s);map.put("SUBP", sp);return map;}private String postGenvisitor(String passporturl) {Map<String, String> headers = Maps.newHashMap();headers.put(HttpHeaders.ACCEPT, "*/*");headers.put(HttpHeaders.ORIGIN, "https://passport.weibo.com");headers.put(HttpHeaders.REFERER, passporturl)Map<String, String> params = Maps.newHashMap();params.put("cb", "gen_callback");params.put("fp", fp());HttpPost httpPost = HttpRequestUtils.createHttpPost(GEN_VISITOR_URL, headers, params);String str = HttpClientInstance.instance().execute(httpPost, null);return str.substring(str.indexOf("(") + 1, str.lastIndexOf(""));}private String getVisitor(String tid, String w, String c, String passporturl) {String url = VISITOR_URL + "&t=" + tid + "&w=" + "&c=" + c.substring(c.length() - 3)+ "&gc=&cb=cross_domain&from=weibo&_rand=0." + rand();Map<String, String> headers = Maps.newHashMap();headers.put(HttpHeaders.ACCEPT, "*/*");headers.put(HttpHeaders.HOST, "passport.weibo.com");headers.put(HttpHeaders.COOKIE, "tid=" + tid + "__0" + c);headers.put(HttpHeaders.REFERER, passporturl);HttpGet httpGet = HttpRequestUtils.createHttpGet(url, headers);httpGet.setConfig(RequestConfig.custom().setCookieSpec(CookieSpecs.STANDARD).build());return HttpClientInstance.instance().execute(httpGet, null);}private static String rand() {return new BigDecimal(Math.floor(Math.random() * 10000000000000000L)).toString();}private static String fp() {JSONObject jsonObject = new JSONObject();jsonObject.put("os", "1");jsonObject.put("browser", "Chrome59,0,3071,115");jsonObject.put("fonts", "undefined");jsonObject.put("screenInfo", "1680*1050*24");jsonObject.put("plugins","Enables Widevine licenses for playback of HTML audio/video content. (version: 1.4.8.984)::widevinecdmadapter.dll::Widevine Content Decryption Module|Shockwave Flash 26.0 r0::pepflashplayer.dll::Shockwave Flash|::mhjfbmdgcfjbbpaeojofohoefgiehjai::Chrome PDF Viewer|::internal-nacl-plugin::Native Client|Portable Document Format::internal-pdf-viewer::Chrome PDF Viewer");return jsonObject.toString();}}}
版权申明
本文系作者 @河马 原创发布在河马博客站点。未经许可，禁止转载。
暂无评论数据