唐伯虎 发表于 2021-6-24 09:38:27

4-腾讯微博数据收集

为了练习python,于是写了个代码实现实时获取腾讯微博广播大厅的最新微博数据,每条查询结果以json的格式保存在文件当中承接前一篇微博http://loma1990.blog.51cto.com/6082839/1308205主要在createApiCaller()函数里面添加appkey open_id access_token已经实测 获取了280多万条微博数据结果如下:代码如下:#! /usr/bin/env pythoncoding=utf-8Author:loma持续获取腾讯微博广播大厅的微博数据
'''
@author loma
qq:124172231 mail:lwsbox@qq.com
* Copyright (c) 2013, loma All Rights Reserved.
'''
import urllib2
import urllib
import webbrowser
import urlparse
import os
import time
import json
import sys
reload(sys)
sys.setdefaultencoding('utf-8')      
class ApiManager:

                                                                                                               
    #获取使用api的公共参数
    def getPublicParams(self,appKey,access_token,open_id):
      params = {};
      params['oauth_consumer_key'] = appKey;
      params['access_token'] = access_token;
      params['openid'] = open_id;
      params['oauth_version'] = '2.a';
      params['scope'] = 'all';
      return params;
                                                                                                               
    #通过Ie打开授权页面
    def OAuth2(self,appKey,redirect_url,response_type = 'token'):
      format = 'https://open.t.qq.com/cgi-bin/oauth2/authorize?client_id=%s&response_type=%s&redirect_uri=%s';
      url = format%(appKey,response_type,redirect_url);
      webbrowser.open_new_tab(url);
                                                                                                               
    #从得到的URl解析出access_token和client_id到params字典中
    def decodeUrl(self,urlStr):
      urlStr = urlStr.replace('#','?');
      result=urlparse.urlparse(urlStr);
      params=urlparse.parse_qs(result.query,True);
      for a in params:
            print params
                                                                                                                     
      return params;
                                                                                                                     
    #调用腾讯微博开放平台的api   
    def doRequest(self,appKey,open_id,access_token,apiStr,params):
      apiHead = 'http://open.t.qq.com/api/';
      requestParams = self.getPublicParams(appKey,access_token,open_id);
      requestParams.update(params);
      url = apiHead + apiStr + "?" + urllib.urlencode(requestParams);
      data = urllib2.urlopen(url);
      return data;
                                                                                                               
ApiCaller负责API的调用

  class ApiCaller:

                                                                                                               
    def __init__(self):
      self.count = 0
      self.apiManager = ApiManager()
      self.Callers = {}
                                                                                                               
    #增加调用者
    def addCaller(self,appKey,open_id,access_token):
      self.Callers = {"appKey":appKey,"open_id":open_id,"access_token":access_token}
      self.count = self.count + 1
                                                                                                               
    #调用api
    def callAPI(self,apiStr,params):
      if self.count <= 0 or self.count > len(self.Callers):
            return False,None
                                                                                                                     
      caller = self.Callers
      if self.count > 1:
            self.count = self.count % (len(self.Callers) -1) + 1
      while True:
            try:
                data = self.apiManager.doRequest(caller["appKey"],caller["open_id"],caller["access_token"],apiStr,params)
                break;
            except:
                print (u"10s后重试连接").encode('gbk')
                time.sleep(10);
                continue;
                                                                                                                        
      return True,data
                                                                                                               
                                                                                                                 class Spider:
  def __init__(self,callers):

      self.totalNum = 0 #用来保存微博数量
      self.caller = callers
      self.idSet = set()#用来保存所有微博的id
      self.idList = [] #用来保存一次json里面的微博id
      self.isStop = False #用来结束spiding的循环的
      self.tag = 0
                                                                                                                     
      #不定时爬取微博数据
    def spiding(self,dataFile,sleepTime,apiStr,apiParams):
      self.initIdSet(dataFile)
      self.isStop = False
      weiboSum = 0
      while True:
            print (u"努力地爬取数据中....%d"%(self.tag)).encode('gbk')
            self.tag = self.tag + 1
            #调用API获取微博数据
            re,data = self.caller.callAPI(apiStr,apiParams)
            time.sleep(sleepTime)
            data = data.read()
            try:
                js = json.loads(data)
            except:
                print 'loads failed'
                continue
            if js['data'] == None:
                apiParams['pos'] = 0
                continue
            info = js['data']['info']
            pos = js['data']['pos']
            apiParams['pos'] = pos
                                                                                                                        
            #保存json里所有微博的id,用于判断是否有重复的微博
            self.idList = []
            for weibo in info:
                self.idList.insert(0,weibo['id'])
                                                                                                                        
            #过滤掉重复的微博
            js['data']['info'] = filter(lambda x:x['id'] not in self.idSet and self.idList.count(x['id']) == 1,info)
                                                                                                                        
            info = js['data']['info']
            print (u"此次获取的微博个数:%d"%(len(info))).encode('gbk')
            weiboSum = weiboSum + len(info)
            self.totalNum = self.totalNum + len(info)
            print (u"累计获取微博:%d 全部微博数量:%d"%(weiboSum,self.totalNum)).encode('gbk')
                                                                                                                        
            for weibo in info:
                  self.idSet.add(weibo['id'])   
                                                                                                                        
            if self.isStop == True:
                break
            jsStr = json.dumps(js,ensure_ascii=False,encoding='utf8')
         # print jsStr.decode('utf8').encode('gbk')
            file = open(dataFile,'a')
            file.write(jsStr + '\n')
            file.close()
                                                                                                                     
    def stopSpiding(self):
      self.isStop = True
                                                                                                                     
    def initIdSet(self,dataFile):
      try:
            file = open(dataFile,"r")
      except:
            return
      for line in file:
            js = json.loads(line)
            info = js['data']['info']
            for weibo in info:
                id = weibo['id']
                #print weibo['text'].decode('utf8').encode('gbk')
                self.idSet.add(id)
                self.totalNum = self.totalNum + 1
      file.close()
                                                                                                                     
                                                                                                               
授权调用

  def doOAuth():
  #需要设置的地方
  appkey = '801348303';
  redirect_url = 'http://loma1990.blog.51cto.com';

                                                                                                               
    #实例化
    manager = ApiManager();
                                                                                                               
    #调用授权页面
    manager.OAuth2(appkey,redirect_url);
                                                                                                               
    #等待用户输入授权后跳转到的页面里的url
    url = raw_input('Input the url');
                                                                                                               
    #提取access_token和openid
    params = manager.decodeUrl(url);
    print params['openid']
    print "\"%s\",\"%s\",\"%s\""%(appkey,params['openid'],params['access_token'])
    #api参数设置
    apiParams = {'format':'json','pos':'0','reqnum':'100'};
                                                                                                               
    #调用api获取数据
    data = manager.doRequest(appkey,params['openid'],params['access_token'],'statuses/public_timeline',apiParams);
                                                                                                               
    #将获取的数据保存到指定文件中
    file = open("d:\\weibo.txt","wb");
    file.write(data.read());
    file.close();
                                                                                                               
    #打印数据
    print data.read();
                                                                                                               
ApiCaller创建

  def createApiCaller():
  callers = ApiCaller()
  #要在这边调用addCaller增加你的appKey,open_id,access_token 然后直接运行就可以了
return callers
doOAuth()

callers = createApiCaller()
api参数设置

  apiParams = {'format':'json','pos':0,'reqnum':100};
  spider = Spider(callers)
spider.spiding('d:\\weiboBase.txt',5,'statuses/public_timeline',apiParams)

页: [1]
查看完整版本: 4-腾讯微博数据收集