微博爬蟲“免登錄”技巧詳解及Java實現

作者：fullstackyang 2017-09-21 10:02:02

本文詳細介紹如何獲取相關的Cookie并重新封裝Httpclient達到免登錄的目的，以支持微博上的各項數據抓取任務。

一、微博一定要登錄才能抓取?

目前，對于微博的爬蟲，大部分是基于模擬微博賬號登錄的方式實現的，這種方式如果真的運營起來，實際上是一件非常頭疼痛苦的事，你可能每天都過得提心吊膽，生怕新浪爸爸把你的那些賬號給封了，而且現在隨著實名制的落地，獲得賬號的渠道估計也會變得越來越少。

但是日子還得繼續，在如此艱難的條件下，為了生存爬蟲們必須尋求進化。好在上帝關門的同時會隨手開窗，微博在其他諸如頭條，一點等這類新媒體平臺的沖擊之下，逐步放開了信息流的查看權限。現在的微博即便在不登錄的狀態下，依然可以看到很多微博信息流，而我們的落腳點就在這里。

本文詳細介紹如何獲取相關的Cookie并重新封裝Httpclient達到免登錄的目的，以支持微博上的各項數據抓取任務。下面就從微博首頁http://weibo.com開始。

二、準備工作

準備工作很簡單，一個現代瀏覽器(你知道我為什么會寫”現代”兩個字)，以及httpclient(我用的版本是4.5.3)

跟登錄爬蟲一樣，免登錄爬蟲也是需要裝載Cookie。這里的Cookie是用來標明游客身份，利用這個Cookie就可以在微博平臺中訪問那些允許訪問的內容了。

這里我們可以使用瀏覽器的network工具來看一下，請求http://weibo.com之后服務器都返回哪些東西，當然事先清空一下瀏覽器的緩存。

不出意外，應該可以看到下圖中的內容

第1次請求weibo.com的時候，其狀態為302重定向，也就是說這時并沒有真正地開始加載頁面，而最后一個請求weibo.com的狀態為200，表示了請求成功，對比兩次請求的header：

明顯地，中間的這些過程給客戶端加載了各種Cookie，從而使得可以順利訪問頁面，接下來我們逐個進行分析。

三、抽絲剝繭

第2個請求是https://passport.weibo.com/vi...……，各位可以把這個url復制出來，用httpclient單獨訪問一下這個url，可以看到返回的是一個html頁面，里面有一大段Javascript腳本，另外頭部還引用一個JS文件mini_original.js，也就是第3個請求。腳本的功能比較多，就不一一敘述了，簡單來說就是微博訪問的入口控制，而值得我們注意的是其中的一個function：

// 為用戶賦予訪客身份 。 
    var incarnate = function (tid, where, conficence) { 
        var gen_conf = ""; 
        var from = "weibo"; 
        var incarnate_intr = window.location.protocol + "//" + window.location.host + "/visitor/visitor?a=incarnate&t=" + encodeURIComponent(tid) + "&w=" + encodeURIComponent(where) + "&c=" + encodeURIComponent(conficence) + "&gc=" + encodeURIComponent(gen_conf) + "&cb=cross_domain&from=" + from + "&_rand=" + Math.random(); 
        url.l(incarnate_intr); 
    };

這里是為請求者賦予一個訪客身份，而控制跳轉的鏈接也是由一些參數拼接起來的，也就是上圖中第6個請求。所以下面的工作就是獲得這3個參數：tid，w(where)，c(conficence，從下文來看應為confidence，大概是新浪工程師的手誤)。繼續閱讀源碼，可以看到該function是tid.get方法的回調函數，而這個tid則是定義在那個mini_original.js中的一個對象，其部分源碼為：

 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);//注意這里，對應上述的3個參數 
            } 
        }, 
        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); 
                    } 
                }); 
            } 
        }, 
…… 
//獲得參數 
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(); 
    };

顯然，tid.runstack()是真正執行回調函數的地方，這里就能看到傳入的3個參數。在get方法中，當cookie為空時，tid會調用getTidFromServer，這時就產生了第5個請求https://passport.weibo.com/vi...，它需要兩個參數cb和fp，其參數值可以作為常量：

該請求的結果返回一串json

{ 
  "msg": "succ", 
  "data": { 
    "new_tid": false, 
    "confidence": 95, 
    "tid": "kIRvLolhrCR5iSCc80tWqDYmwBvlRVlnY2+yvCQ1VVA=" 
  }, 
  "retcode": 20000000 
}

其中就包含了tid和confidence，這個confidence，我猜大概是推測客戶端是否真實的一個置信度，不一定出現，根據window.gen_callback方法，不出現時默認為100，另外當new_tid為真時參數where等于3，否則等于2。

此時3個參數已經全部獲得，現在就可以用httpclient發起上面第6個請求，返回得到另一串json：

{ 
  "msg": "succ", 
  "data": { 
    "sub": "_2AkMu428tf8NxqwJRmPAcxWzmZYh_zQjEieKYv572JRMxHRl-yT83qnMGtRCnhyR4ezQQZQrBRO3gVMwM5ZB2hQ..", 
    "subp": "0033WrSXqPxfM72-Ws9jqgMF55529P9D9WWU2MgYnITksS2awP.AX-DQ" 
  }, 
  "retcode": 20000000 
}

參考最后請求weibo.com的header，這里的sub和subp就是最終要獲取的cookie值。大家或許有一個小疑問，第一個Cookie怎么來的，沒用嗎?是的，這個Cookie是第一次訪問weibo.com產生的，經過測試可以不用裝載。

最后我們用上面兩個Cookie裝載到HttpClient中請求一次weibo.com，就可以獲得完整的html頁面了，下面就是見證奇跡的時刻：

<!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="隨時隨地發現新鮮事！微博帶你欣賞世界上每一個精彩瞬間，了解每一個幕后故事。分享你想表達的，讓全世界都能聽到你的心聲！" 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-隨時隨地發現新鮮事</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> 
……

如果之前有微博爬蟲開發經驗的小伙伴，看到這里，一定能想出來很多玩法了吧。

四、代碼實現

下面附上我的源碼，通過上面的詳細介紹，應該已經比較好理解，因此這里就簡單地說明一下：

我把Cookie獲取的過程做成了一個靜態內部類，其中需要發起2次請求，一次是genvisitor獲得3個參數，另一次是incarnate獲得Cookie值;
如果Cookie獲取失敗，會調用HttpClientInstance.changeProxy來改變代理IP，然后重新獲取，直到獲取成功為止;
在使用時，出現了IP被封或無法正常獲取頁面等異常情況，外部可以通過調用cookieReset方法，重新獲取一個新的Cookie。這里還是要聲明一下，科學地使用爬蟲，維護世界和平是程序員的基本素養;
雖然加了一些鎖的控制，但是還未在高并發場景實測過，不能保證百分百線程安全，如使用下面的代碼，請根據需要自行修改，如有問題也請大神們及時指出，拜謝!
HttpClientInstance是我用單例模式重新封裝的httpclient，對于每個傳進來的請求重新包裝了一層RequestConfig，并且使用了代理IP;
不是所有的微博頁面都可以抓取得到，但是博文，評論，轉發等基本的數據還是沒有問題的;
后續我也會把代碼push到github上，請大家支持，謝謝!

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; 
  
/** 
 * 微博免登陸請求客戶端 
 * 
 * @author fullstackyang 
 */ 
@Slf4j 
public 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，獲取微博平臺的其他頁面 
     * @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; 
        } 
    } 
  
     /** 
     * 獲取訪問微博時必需的Cookie 
     */ 
    @NoArgsConstructor 
    static 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(); 
        } 
    } 
}

責任編輯：龐桂玉來源： segmentfault