微博爬虫“免登录”技巧详解及 Java 实现

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：

1. // 为用户赋予访客身份 。

2.    var incarnate = function (tid, where, conficence) {

3.        var gen_conf = "";

4.        var from = "weibo";

5.        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();

6.        url.l(incarnate_intr);

7.    };

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：

1.    var tid = {

2.        key: 'tid',

3.        value: '',

4.        recover: 0,

5.        confidence: '',

6.        postInterface: postUrl,

7.        fpCollectInterface: sendUrl,

8.        callbackStack: [],

9.        init: function () {

10.            tid.get();

11.        },

12.        runstack: function () {

13.            var f;

14.            while (f = tid.callbackStack.pop()) {

15.                f(tid.value, tid.recover, tid.confidence);//注意这里，对应上述的3个参数

16.            }

17.        },

18.        get: function (callback) {

19.            callback = callback || function () {

20.            };

21.            tid.callbackStack.push(callback);

22.            if (tid.value) {

23.                return tid.runstack();

24.            }

25.            Store.DB.get(tid.key, function (v) {

26.                if (!v) {

27.                    tid.getTidFromServer();

28.                } else {

29.                    ……

30.                }

31.            });

32.        },

33.    ……

34.    }

35. ……

36. getTidFromServer: function () {

37.            tid.getTidFromServer = function () {

38.            };

39.            if (window.use_fp) {

40.                getFp(function (data) {

41.                    util.postData(window.location.protocol + '//' + window.location.host + '/' + tid.postInterface, "cb=gen_callback&fp=" + encodeURIComponent(data), function (res) {

42.                        if (res) {

43.                            eval(res);

44.                        }

45.                    });

46.                });

47.            } else {

48.                util.postData(window.location.protocol + '//' + window.location.host + '/' + tid.postInterface, "cb=gen_callback", function (res) {

49.                    if (res) {

50.                        eval(res);

51.                    }

52.                });

53.            }

54.        },

55. ……

56. //获得参数

57. window.gen_callback = function (fp) {

58.        var value = false, confidence;

59.        if (fp) {

60.            if (fp.retcode == 20000000) {

61.                confidence = typeof(fp.data.confidence) != 'undefined' ? '000' + fp.data.confidence : '100';

62.                tid.recover = fp.data.new_tid ? 3 : 2;

63.                tid.confidence = confidence = confidence.substring(confidence.length - 3);

64.                value = fp.data.tid;

65.                Store.DB.set(tid.key, value + '__' + confidence);

66.            }

67.        }

68.        tid.value = value;

69.        tid.runstack();

70.    };

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

1. {

2.  "msg": "succ",

3.  "data": {

4.    "new_tid": false,

5.    "confidence": 95,

6.    "tid": "kIRvLolhrCR5iSCc80tWqDYmwBvlRVlnY2+yvCQ1VVA="

7.  },

8.  "retcode": 20000000

9. }

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：

1. {

2.  "msg": "succ",

3.  "data": {

4.    "sub": "_2AkMu428tf8NxqwJRmPAcxWzmZYh_zQjEieKYv572JRMxHRl-yT83qnMGtRCnhyR4ezQQZQrBRO3gVMwM5ZB2hQ..",

5.    "subp": "0033WrSXqPxfM72-Ws9jqgMF55529P9D9WWU2MgYnITksS2awP.AX-DQ"

6.  },

7.  "retcode": 20000000

8. }

参考最后请求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：

1. <!doctype html>

2. <html>

3. <head>

4. <meta charset="utf-8">

5. <meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">

6. <meta name="viewport" content="initial-scale=1,minimum-scale=1" />

7. <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" />

8. <link rel="mask-icon" sizes="any" href="/fwc//img.t.sinajs.cn/t6/style/images/apple/wbfont.svg" color="black" />

9. <link rel="shortcut icon" type="image/x-icon" href="/fwc/favicon.ico" />

10. <script type="text/javascript">

11. try{document.execCommand("BackgroundImageCache", false, true);}catch(e){}

12. </script>

13. <title>微博-随时随地发现新鲜事</title>

14. <link href="/fwc//img.t.sinajs.cn/t6/style/css/module/base/frame.css?version=6c9bf6ab3b33391f" type="text/css" rel="stylesheet" charset="utf-8" />

15. <link href="/fwc//img.t.sinajs.cn/t6/style/css/pages/growth/login_v5.css?version=6c9bf6ab3b33391f" type="text/css" rel="stylesheet" charset="utf-8">

16. <link href="/fwc//img.t.sinajs.cn/t6/skin/default/skin.css?version=6c9bf6ab3b33391f" type="text/css" rel="stylesheet" id="skin_style" />

17. <script type="text/javascript">

18. var $CONFIG = {};

19. $CONFIG['islogin'] = '0';

20. $CONFIG['version'] = '6c9bf6ab3b33391f';

21. $CONFIG['timeDiff'] = (new Date() - 1505746970000);

22. $CONFIG['lang'] = 'zh-cn';

23. $CONFIG['jsPath'] = '//js.t.sinajs.cn/t5/';

24. $CONFIG['cssPath'] = '//img.t.sinajs.cn/t5/';

25. $CONFIG['imgPath'] = '//img.t.sinajs.cn/t5/';

26. $CONFIG['servertime'] = 1505746970;

27. $CONFIG['location']='login';

28. $CONFIG['bigpipe']='false';

29. $CONFIG['bpType']='login';

30. $CONFIG['mJsPath'] = ['//js{n}.t.sinajs.cn/t5/', 1, 2];

31. $CONFIG['mCssPath'] = ['//img{n}.t.sinajs.cn/t5/', 1, 2];

32. $CONFIG['redirect'] = '';

33. $CONFIG['vid']='1008997495870';

34. </script>

35. <style>#js_style_css_module_global_WB_outframe{height:42px;}</style>

36. </head>

37. ……

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：

1. 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；

2. 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；

3. 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；

4. 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！

5. 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；

6. 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；

7. 后续我也会把代码push到github上，请大家支持，谢谢！

1. import com.fullstackyang.httpclient.HttpClientInstance;

2. import com.fullstackyang.httpclient.HttpRequestUtils;

3. import com.google.common.base.Strings;

4. import com.google.common.collect.Maps;

5. import com.google.common.net.HttpHeaders;

6. import lombok.NoArgsConstructor;

7. import lombok.extern.slf4j.Slf4j;

8. import org.apache.commons.lang3.StringUtils;

9. import org.apache.http.client.config.CookieSpecs;

10. import org.apache.http.client.config.RequestConfig;

11. import org.apache.http.client.methods.HttpGet;

12. import org.apache.http.client.methods.HttpPost;

13. import org.json.JSONObject;

15. import java.io.UnsupportedEncodingException;

16. import java.math.BigDecimal;

17. import java.net.URLEncoder;

18. import java.util.Map;

19. import java.util.concurrent.locks.Lock;

20. import java.util.concurrent.locks.ReentrantLock;

22. /**

23. * 微博免登陆请求客户端

24. *

25. * @author fullstackyang

26. */

27. @Slf4j

28. public class WeiboClient {

30.    private static CookieFetcher cookieFetcher = new CookieFetcher();

32.    private volatile String cookie;

34.    public WeiboClient() {

35.        this.cookie = cookieFetcher.getCookie();

36.    }

38.    private static Lock lock = new ReentrantLock();

40.    public void cookieReset() {

41.        if (lock.tryLock()) {

42.            try {

43.                HttpClientInstance.instance().changeProxy();

44.                this.cookie = cookieFetcher.getCookie();

45.                log.info("cookie :" + cookie);

46.            } finally {

47.                lock.unlock();

48.            }

49.        }

50.    }

52.    /**

53.     * get方法，获取微博平台的其他页面

54.     * @param url

55.     * @return

56.     */

57.    public String get(String url) {

58.        if (Strings.isNullOrEmpty(url))

59.            return "";

61.        while (true) {

62.            HttpGet httpGet = new HttpGet(url);

63.            httpGet.addHeader(HttpHeaders.COOKIE, cookie);

64.            httpGet.addHeader(HttpHeaders.HOST, "weibo.com");

65.            httpGet.addHeader("Upgrade-Insecure-Requests", "1");

67.            httpGet.setConfig(RequestConfig.custom().setSocketTimeout(3000)

68.                    .setConnectTimeout(3000).setConnectionRequestTimeout(3000).build());

69.            String html = HttpClientInstance.instance().tryExecute(httpGet, null, null);

70.            if (html == null)

71.                cookieReset();

72.            else return html;

73.        }

74.    }

76.     /**

77.     * 获取访问微博时必需的Cookie

78.     */

79.    @NoArgsConstructor

80.    static class CookieFetcher {

82.        static final String PASSPORT_URL = "https://passport.weibo.com/visitor/visitor?entry=miniblog&a=enter&url=http://weibo.com/?category=2"

83.                + "&domain=.weibo.com&ua=php-sso_sdk_client-0.6.23";

85.        static final String GEN_VISITOR_URL = "https://passport.weibo.com/visitor/genvisitor";

87.        static final String VISITOR_URL = "https://passport.weibo.com/visitor/visitor?a=incarnate";

89.        private String getCookie() {

90.            Map<String, String> map;

91.            while (true) {

92.                map = getCookieParam();

93.                if (map.containsKey("SUB") && map.containsKey("SUBP") &&

94.                        StringUtils.isNoneEmpty(map.get("SUB"), map.get("SUBP")))

95.                    break;

96.                HttpClientInstance.instance().changeProxy();

97.            }

98.            return " YF-Page-G0=" + "; _s_tentry=-; SUB=" + map.get("SUB") + "; SUBP=" + map.get("SUBP");

99.        }

101.        private Map<String, String> getCookieParam() {

102.            String time = System.currentTimeMillis() + "";

103.            time = time.substring(0, 9) + "." + time.substring(9, 13);

104.            String passporturl = PASSPORT_URL + "&_rand=" + time;

106.            String tid = "";

107.            String c = "";

108.            String w = "";

109.            {

110.                String str = postGenvisitor(passporturl);

111.                if (str.contains(""retcode":20000000")) {

112.                    JSONObject jsonObject = new JSONObject(str).getJSONObject("data");

113.                    tid = jsonObject.optString("tid");

114.                    try {

115.                        tid = URLEncoder.encode(tid, "utf-8");

116.                    } catch (UnsupportedEncodingException e) {

117.                    }

118.                    c = jsonObject.has("confidence") ? "000" + jsonObject.getInt("confidence") : "100";

119.                    w = jsonObject.optBoolean("new_tid") ? "3" : "2";

120.                }

121.            }

122.            String s = "";

123.            String sp = "";

124.            {

125.                if (StringUtils.isNoneEmpty(tid, w, c)) {

126.                    String str = getVisitor(tid, w, c, passporturl);

127.                    str = str.substring(str.indexOf("(") + 1, str.indexOf(")"));

128.                    if (str.contains(""retcode":20000000")) {

129.                        System.out.println(new JSONObject(str).toString(2));

130.                        JSONObject jsonObject = new JSONObject(str).getJSONObject("data");

131.                        s = jsonObject.getString("sub");

132.                        sp = jsonObject.getString("subp");

133.                    }

135.                }

136.            }

137.            Map<String, String> map = Maps.newHashMap();

138.            map.put("SUB", s);

139.            map.put("SUBP", sp);

140.            return map;

141.        }

143.        private String postGenvisitor(String passporturl) {

145.            Map<String, String> headers = Maps.newHashMap();

146.            headers.put(HttpHeaders.ACCEPT, "*/*");

147.            headers.put(HttpHeaders.ORIGIN, "https://passport.weibo.com");

148.            headers.put(HttpHeaders.REFERER, passporturl);

150.            Map<String, String> params = Maps.newHashMap();

151.            params.put("cb", "gen_callback");

152.            params.put("fp", fp());

154.            HttpPost httpPost = HttpRequestUtils.createHttpPost(GEN_VISITOR_URL, headers, params);

156.            String str = HttpClientInstance.instance().execute(httpPost, null);

157.            return str.substring(str.indexOf("(") + 1, str.lastIndexOf(""));

158.        }

160.        private String getVisitor(String tid, String w, String c, String passporturl) {

161.            String url = VISITOR_URL + "&t=" + tid + "&w=" + "&c=" + c.substring(c.length() - 3)

162.                    + "&gc=&cb=cross_domain&from=weibo&_rand=0." + rand();

164.            Map<String, String> headers = Maps.newHashMap();

165.            headers.put(HttpHeaders.ACCEPT, "*/*");

166.            headers.put(HttpHeaders.HOST, "passport.weibo.com");

167.            headers.put(HttpHeaders.COOKIE, "tid=" + tid + "__0" + c);

168.            headers.put(HttpHeaders.REFERER, passporturl);

170.            HttpGet httpGet = HttpRequestUtils.createHttpGet(url, headers);

171.            httpGet.setConfig(RequestConfig.custom().setCookieSpec(CookieSpecs.STANDARD).build());

172.            return HttpClientInstance.instance().execute(httpGet, null);

173.        }

175.        private static String rand() {

176.            return new BigDecimal(Math.floor(Math.random() * 10000000000000000L)).toString();

177.        }

179.        private static String fp() {

180.            JSONObject jsonObject = new JSONObject();

181.            jsonObject.put("os", "1");

182.            jsonObject.put("browser", "Chrome59,0,3071,115");

183.            jsonObject.put("fonts", "undefined");

184.            jsonObject.put("screenInfo", "1680*1050*24");

185.            jsonObject.put("plugins",

186.                    "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");

187.            return jsonObject.toString();

188.        }

189.    }

190. }

来源：http://www.fullstackyang.com/archives/434.html