微博数据各字段的含义
最近在写微博的爬虫，框架已经基本稳定，但是在解析各字段含义的环节卡了好几天，因为不清楚各个字段的含义，官网的api注释好像有点过时，很多字段没有注释，所以只能自己一点一点分析了
移动端得到的微博数据是json格式的，获得一个页面的数据以后，设为data,则 data[‘cards’][0][‘card_group’] 能够获得一个数组，数组内每个元素都是一行微博，里面包含了发布时间，微博内容，发布用户，转载内容等等。具体的字段有：
'idstr', #等同于id，是str形式
'id', #信息id
'created_timestamp', #创建时间戳 ex:1448617509
'created_at', #创建时间。但是要注意，如果是今年以前的数据，
#显示格式是'year-month-day hour:min:sec' 格式。
#而今年的数据则显示为'month-day hour:min:sec'格式
'attitudes_count', #点赞数
'reposts_count', #转发数
'comments_count', #评论数目
'isLongText', #是否是长微博（就目前来看，都是False）
'source', #用户客户端（iphone等）
'pid', #不明，但是有必要保存，不一定有值
'bid', #不明，但是有必要保存，不一定有值
# 图片信息--------------------------------------------------------------
'original_pic', #图片相关，原始图片地址
'bmiddle_pic', #图片地址，与original_pic相比，只是把large换位bmiddle
'thumbnail_pic', #地址似乎等于pic中图片地址，尺寸是thumb
'pic_ids', #图片id，是个Array
'pics', #如果包含图的话，有该项，是一个数组，内嵌字典，
# 包括size,pid,geo,url等
# 以下字段内含数组或字典格式，需要进一步处理----------------------------------
'retweeted_status', #转载信息。如果该微博内有转载信息，则含有该项。转载项字段与本微博一致
'user', #用户信息，字典格式。其中['uid']与['name']分别表示用户的id和名字
'page_info', #页面内嵌的链接的信息。比如外链，文章，视频，地理信息专题等内容。
'topic_struct', #话题信息，是数组格式，内涵字典，其中有'topic_title'项。
'text', #文本信息。内涵表情，外链，回复，图像，话题等信息。这里要讲一下text项的处理问题。由于text项其实是一段html代码，所以也可以用网页分析包（如python的beautifulsoup, java 的 jsoup 等）来分析，但是一则没有必要且速度慢，二则在新的云主机上配置客户端的时候还要下依赖包很麻烦，所以就使用正则表达式来分析了
随便调了一个文本过来，是这样的
#音乐下午茶#
未觉池塘春草梦，阶前梧叶已秋声。雨侵坏瓮新苔绿，秋入横林数叶红。夜深风竹敲秋韵，万叶千声皆是恨。人人解说悲秋事，不似诗人彻底知...视频在上述文本中，包含了一个topic链接（#音乐下午茶#），一个外链链接（视频）还有文本（未觉池塘春草梦，阶前梧叶已秋声。雨侵坏瓮新苔绿，秋入横林数叶红。夜深风竹敲秋韵，万叶千声皆是恨。人人解说悲秋事，不似诗人彻底知…）
各项相对于的正则表达式如下所示
#表情，也可能内含一些东西
#话题
#用户链接
回复.+?// #回复
\[.+?\] #表情
#一般表示外链，表示视频，网页等等
#图像下面是相对应的python代码，都包含在parseMicroblogPage类中。当获得页面数据之后，调用其中的parse_blog_page函数，即会返回一个数组，里面包含了处理过以后的微博数据
class parseMicroblogPage():
def __init__(self):
self.p_face=re.compile(r'\[.+?\]')
self.p_face_i=re.compile(r'')
self.p_user=re.compile(r'')
self.p_topic=re.compile(r'')
self.p_reply=re.compile(r'回复.+?//')
self.p_link=re.compile(r'')
self.p_img=re.compile(r'')
self.p_span=re.compile(r'')
self.p_http_png=re.compile(r'http://.+?png')
def parse_blog_page(self,data):
try: # check if the page is json type
data=json.loads(data)
except:
save_page(data)
raise ValueError('Unable to parse page')
try: # check if the page is empty
mod_type=data['cards'][0]['mod_type']
except:
save_page(json.dumps(data))
raise ValueError('The type of this page is incorrect')
if 'empty' in mod_type:
raise ValueError('This page is empty')
try: # get card group as new data
data=data['cards'][0]['card_group']
except:
save_page(json.dumps(data))
raise ValueError('The type of this page is incorrect')
data_list=[]
for block in data:
res=self.parse_card_group(block)
data_list.append(res)
return data_list
def parse_card_group(self,data):
data=data['mblog']
msg=self.parse_card_inner(data)
return msg
def parse_card_inner(self,data):
msg={}
keys=list(data.keys())
key_array=[
# 基本信息--------------------------------------------------------------
'idstr', #等同于id，是str形式
'id', #信息id
'created_timestamp', #创建时间戳 ex:1448617509
'attitudes_count', #点赞数
'reposts_count', #转发数
'comments_count', #评论数目
'isLongText', #是否是长微博（就目前来看，都是False）
'source', #用户客户端（iphone等）
'pid', #不明，但是有必要保存，不一定有值
'bid', #不明，但是有必要保存，不一定有值
# 图片信息--------------------------------------------------------------
'original_pic', #图片相关，原始图片地址
'bmiddle_pic', #图片地址，与original_pic相比，只是把large换位bmiddle
'thumbnail_pic', #地址似乎等于pic中图片地址，尺寸是thumb
'pic_ids', #图片id，是个Array
'pics', #如果包含图的话，有该项，是一个数组，内嵌字典，
# 包括size,pid,geo,url等
]
for item in keys:
if item in key_array:
msg[item]=data[item]
#糅合 id , mid , msg_id
if 'id' not in keys:
if 'mid' in keys:
msg['id']=data['mid']
elif 'msg_id' in keys:
msg['id']=data['msg_id']
if 'attitudes_count' not in keys and 'like_count' in keys:
msg['attitudes_count']=data['like_count']
# created_at
if 'created_at' in keys:
if data['created_at'].__len__()>14:
msg['created_at']=data['created_at']
else:
if 'created_timestamp' in keys:
stamp=data['created_timestamp']
x=time.localtime(stamp)
str_time=time.strftime('%Y-%m-%d %H:%M',x)
msg['created_at']=str_time
else:
msg['created_at']=config.CURRENT_YEAR+'-'+data['created_at']
# retweeted_status
if 'retweeted_status' in keys:
msg['retweeted_status']=self.parse_card_inner(data['retweeted_status'])
msg['is_retweeted']=True
else:
msg['is_retweeted']=False
# user
if 'user' in keys:
msg['user']=self.parse_user_info(data['user'])
msg['user_id']=msg['user']['uid']
msg['user_name']=msg['user']['name']
# url_struct
# msg['url_struct']=self.parse_url_struct(data['url_struct'])
# page_info
if 'page_info' in keys:
msg['page_info']=self.parse_page_info(data['page_info'])
# topic_struct
if 'topic_struct' in keys:
msg['topic_struct']=self.parse_topic_struct(data['topic_struct'])
# text
if 'text' in keys:
msg['ori_text']=data['text']
msg['dealed_text']=self.parse_text(data['text'])
return msg
def parse_user_info(self,user_data):
keys=user_data.keys()
user={}
if 'id' in keys:
user['uid']=str(user_data['id'])
if 'screen_name' in keys:
user['name']=user_data['screen_name']
if 'description' in keys:
user['description']=user_data['description']
if 'fansNum' in keys:
temp=user_data['fansNum']
if isinstance(temp,str):
temp=int(temp.replace('万','0000'))
user['fans_num']=temp
if 'gender' in keys:
if user_data['gender']=='m':
user['gender']='male'
if user_data['gender']=='f':
user['gender']='female'
if 'profile_url' in keys:
user['basic_page']='http://m.weibo.cn'+user_data['profile_url']
if 'verified' in keys:
user['verified']=user_data['verified']
if 'verified_reason' in keys:
user['verified_reason']=user_data['verified_reason']
if 'statuses_count' in keys:
temp=user_data['statuses_count']
if isinstance(temp,str):
temp=int(temp.replace('万','0000'))
user['blog_num']=temp
return user
def parse_text(self,text):
msg={}
# data-url
data_url=re.findall(self.p_link,text)
if data_url.__len__()>0:
data_url_list=[]
for block in data_url:
temp=self.parse_text_data_url(block)
data_url_list.append(temp)
msg['data_url']=data_url_list
text=re.sub(self.p_link,'',text)
# topic
topic=re.findall(self.p_topic,text)
if topic.__len__()>0:
topic_list=[]
for block in topic:
temp=self.parse_text_topic(block)
topic_list.append(temp)
msg['topic']=topic_list
text=re.sub(self.p_topic,'',text)
# moiton
motion=[]
res1=re.findall(self.p_face_i,text)
for item in res1:
temp=re.findall(self.p_face,item)[0]
motion.append(temp)
text=re.sub(self.p_face_i,'',text)
res2=re.findall(self.p_face,text)
motion=motion+res2
if motion.__len__()>0:
msg['motion']=motion
text=re.sub(self.p_face,'',text)
# user
user=[]
user_res=re.findall(self.p_user,text)
if user_res.__len__()>0:
for item in user_res:
temp=self.parse_text_user(item)
user.append(temp)
msg['user']=user
text=re.sub(self.p_user,'@',text)
msg['left_content']=text.split('//')
return msg
def parse_text_data_url(self,text):
link_data={}
link_data['type']='data_url'
try:
res_face=re.findall(self.p_face_i,text)[0]
res_img=re.findall(self.p_img,res_face)[0]
res_http=re.findall(self.p_http_png,res_img)[0]
link_data['img']=res_http
res_class=re.findall(r'',text)[0]
link_data['class']=res_class
text=re.sub(self.p_face_i,'',text)
except:
pass
try:
res_span=re.findall(self.p_span,text)[0]
title=re.findall(r'>.+?<',res_span)[0][1:-1]
link_data['title']=title
text=re.sub(self.p_span,'',text)
except:
pass
try:
data_url=re.findall(r'data-url=".+?"',text)[0]
data_url=re.findall(r'".+?"',data_url)[0][1:-1]
link_data['short_url']=data_url
url=re.findall(r'href=".+?"',text)[0][6:-1]
link_data['url']=url
except:
pass
# print(text)
# print(json.dumps(link_data,indent=4))
return link_data
def parse_text_topic(self,text):
data={}
try:
data['type']='topic'
data['class']=re.findall(r'class=".+?"',text)[0][7:-1]
data['title']=re.findall(r'>.+?<',text)[0][1:-1]
data['url']='http://m.weibo.cn'+re.findall(r'href=".+?"',text)[0][6:-1]
except:
pass
return data
def parse_text_user(self,text):
data={}
data['type']='user'
try:
data['title']=re.findall(r'>.+?<',text)[0][2:-1]
data['url']= 'http://m.weibo.cn'+re.findall(r'href=".+?"',text)[0][6:-1]
except:
pass
return data
def parse_url_struct(self,data):
url_struct=[]
for block in data:
keys=block.keys()
new_block=block
url_struct.append(new_block)
return url_struct
def parse_page_info(self,data):
keys=data.keys()
key_array=[
'page_url',
'page_id',
'content2',
'tips',
'page_pic',
'page_desc',
'object_type',
'page_title',
'content1',
'type',
'object_id'
]
msg={}
for item in keys:
if item in key_array:
msg[item]=data[item]
return msg
def parse_topic_struct(self,data):
msg=[]
for block in data:
keys=block.keys()
temp=block
if 'topic_title' in keys:
temp['topic_url']='http://m.weibo.cn/k/{topic}?from=feed'\
.format(topic=block['topic_title'])
msg.append(temp)
return msg本文参与?腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2019-06-27 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
相关产品与服务
云服务器
云服务器（Cloud Virtual Machine，CVM）提供安全可靠的弹性计算服务。 您可以实时扩展或缩减计算资源，适应变化的业务需求，并只需按实际使用的资源计费。使用 CVM 可以极大降低您的软硬件采购成本，简化 IT 运维工作。