基于Java爬取微博数据五 补充微博正文列表图片 or 视频 内容
在通过对微博正文内容中的图片 or 视频内容进行分析后,图片 or 视频 链接是可以直接通过 Java 代码下载或者转存的,那么这样就可以补充我们在 【基于Java爬取微博数据(一) 微博主页正文列表数据】 时缺失的图片 or 视频信息了,当然,如果你的需求并不需要转存微博正文列表内容中的图片 or 视频的话,那么你就无需进行下面的操作了。在开始进行微博主页正文列表数据 补充 图片 or 视频内容之前,先来分析一下获取到的微博正文列表数据的内容。
数据分析
同样的,我们先找到获取微博正文列表数据的 ajax 请求 /ajax/statuses/mymblog?uid=1686546714&page=1&feature=0 的响应返回数据
获取到微博正文列表请求响应返回的数据之后,我从中取出一个含图片的完整的微博正文 json 对象 以及 一个含视频的完整的微博正文 json 对象来做一个比较
通过对比工具 Beyond Compare 进行比较这两种情况下返回数据格式的不同,可以看到 含图片的微博正文 返回数据比 含视频的微博正文多了 pic_infos 对象
继续向下比较可以看到 含图片的微博正文 比 含视频的微博正文 少了 page_info对象 而 page_info对象 里面的 media_info 对象正是视频所在对象
到这里,对于微博正文列表内容 含图片微博正文 以及 含视频微博正文 的数据格式基本的分析及对比就结束了,下面开始在 获取微博正文列表内容 DemoWeiBo 的 main 方法中补充这一块内容的获取。
补充图片 or 视频
下面开始补充图片 or 视频 链接的获取操作,考虑到视频链接有 Expires 过期时间字段,那么这里在导出 微博正文列表内容 到 Excel 中时保存 转存后的图片 or 视频路径,首先给导出实体类 ExcelData 增加如下字段
然后在获取微博正文内容列表 main 方法中增加如下代码,这里需要注意的是 pic_ids 和 pic_infos 是配套出现的, pic_ids 的值 就是 pic_infos 子对象的 key
关于 pic_infos 的子对象包括多种 宽高 尺寸的图片链接地址,你可以根据自己的需要选择不同宽高的图片进行转存
最后补充的转存微博正文图片的代码如下
下面再来看获取视频操作,你可以选择 media_info 对象内的以下几种清晰度的视频,
或者也可以选择 media_info 对象内的 playback_list ,里面是 四种清晰度的视频选择,你可以选择其中一种或者多种清晰度的视频链接
最终补充获取微博正文视频内容的代码如下
到这里,补充微博正文内容列表 获取 图片 or 视频的操作就完成了,改造后的 DemoWeiBo.java 代码完整版如下
java
package com.ruoyi.web.controller.demo.controller;
import cn.hutool.http.HttpResponse;
import cn.hutool.http.HttpUtil;
import com.alibaba.excel.EasyExcel;
import com.alibaba.fastjson.JSON;
import com.alibaba.fastjson.JSONArray;
import com.alibaba.fastjson.JSONObject;
import java.io.BufferedInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.net.HttpURLConnection;
import java.net.URL;
import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.ArrayList;
import java.util.Date;
import java.util.List;
import java.util.Objects;
public class DemoWeiBo
{
/**
* 主函数入口,用于从微博抓取数据并存储到Excel中。
*
* @param args 命令行参数(未使用)
* @throws ParseException 当日期解析发生错误时抛出
*/
public static void main(String[] args) throws ParseException {
// 定义微博数据抓取的URL模板
String url = "https://weibo.com/ajax/statuses/mymblog?uid=1686546714&feature=0&page=%s";
String unfoldurl = "https://weibo.com/ajax/statuses/longtext?id=%s";
String cookie = "你的 Cookie";
// 初始化日期格式
SimpleDateFormat dateFormat = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
//初始化导出Excel数据列表
List<ExcelData> excelDataList = new ArrayList<>();
// 循环抓取前2页数据
for (int i = 1; i <= 3; i++) {
try {
// 输出开始抓取的提示信息
System.out.println("开始获取第" + i + "页数据");
// 格式化URL并发送HTTP请求获取响应
String urlstr = String.format(url, i);
HttpResponse response = HttpUtil.createGet(urlstr)
.header("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36")
.header("Cookie",cookie)
.execute();
// 解析响应体
String body = response.body();
//System.out.println(body);
JSONObject jsonObject = JSON.parseObject(body).getJSONObject("data");
JSONArray list = null;
if (Objects.nonNull(jsonObject)) {
// 处理数据列表
list = jsonObject.getJSONArray("list");
// 遍历并处理每条微博数据
for (Object o : list) {
JSONObject data = (JSONObject) o;
// 解析并处理微博的其他信息
Date created = new Date(data.getString("created_at"));
System.out.println("created:"+dateFormat.format(created));
String regex = "<[^<>]*>";
String text = data.getString("text").replaceAll(regex, "");
String repost = data.getString("reposts_count");
String comment = data.getString("comments_count");
String like = data.getString("attitudes_count");
//获取微博正文图片信息
StringBuffer pic_url = new StringBuffer();
Long pic_num = data.getLong("pic_num");
if (pic_num > 0 ) {
JSONArray pic_ids = data.getJSONArray("pic_ids");
JSONObject pic_infos = data.getJSONObject("pic_infos");
// 遍历 pic_ids 获取 pic_infos 子对象 key
for (Object json : pic_ids) {
String key = (String) json;
JSONObject pic = pic_infos.getJSONObject(key);
JSONObject largest = pic.getJSONObject("largest");
// 提取图片URL并处理
String imageUrl = largest.getString("url");
String filename = imageUrl.substring(imageUrl.lastIndexOf("/") + 1);
// 下载图片
String savePath = "E:\\2024weibo\\" + filename;
downloadPicture(imageUrl, savePath);
pic_url = pic_url.append(savePath).append(",");
}
}
//获取微博正文视频信息
String video_url = "";
JSONObject page_info = data.getJSONObject("page_info");
if (Objects.nonNull(page_info)) {
JSONObject media_info = page_info.getJSONObject("media_info");
String mp4_hd_url = media_info.getString("mp4_hd_url");
String filename = mp4_hd_url.substring(mp4_hd_url.lastIndexOf("/") + 1, mp4_hd_url.indexOf("?"));
// 下载视频
String savePath = "E:\\2024weibo\\" + filename;
downloadPicture(mp4_hd_url, savePath);
video_url = savePath;
}
//有一种情况,就是当页面文本内容过多的时候,微博默认不展示全部,而是出现 【...展示】 按钮,此时需要再请求一个 URL 获取展开后的文本内容
if (text.lastIndexOf("...展开") != -1) {
//说明存在 展开 需要重新获取 text 内容
String mblogid = data.getString("mblogid");
// 格式化URL并发送HTTP请求获取响应
String unfoldurlstr = String.format(unfoldurl, mblogid);
HttpResponse response2 = HttpUtil.createGet(unfoldurlstr)
.header("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36")
.header("Cookie",cookie)
.execute();
// {"ok": 1,"http_code": 200,"data": {}}
String body2 = response2.body();
JSONObject jsonObject2 = JSONObject.parseObject(body2).getJSONObject("data");
String longTextContent = jsonObject2.getString("longTextContent");
System.out.println("longTextContent:"+longTextContent);
//补全后的内容赋给 text
text = longTextContent;
}
// 创建ExcelData对象并填充数据
ExcelData excelData = new ExcelData();
//发布时间
excelData.setDate(created);
//点赞数
excelData.setLike(Long.parseLong(like));
//评论数
excelData.setComment(Long.parseLong(comment));
//转发数
excelData.setRepost(Long.parseLong(repost));
//原始内容
excelData.setContent(text);
//图片地址
excelData.setImgUrl(pic_url.toString());
//视频地址
excelData.setVideoUrl(video_url);
excelDataList.add(excelData);
}
}
// 输出完成提示并关闭响应,休眠以避免频繁请求
System.out.println("第" + i + "页数据获取完毕");
response.close();
// 如果列表为空,终止循环
if (list == null || list.size() == 0) {
break;
}
Thread.sleep(700);
} catch (Exception e) {
// 打印异常信息
e.printStackTrace();
}
}
// 输出开始写入Excel的提示
System.out.println("Excel写入数据开始");
// 写入Excel的函数调用
EasyExcel.write("E:/微博.xlsx", ExcelData.class)
.sheet("Sheet1")
.doWrite(excelDataList);
System.out.println("Excel写入数据结束");
}
/**
* 下载图片到指定路径
*
* @param imageUrl 图片的URL地址
* @param savePath 图片保存的本地路径
*/
public static void downloadPicture(String imageUrl, String savePath){
BufferedInputStream in = null;
FileOutputStream out = null;
HttpURLConnection connection = null;
try {
// 创建URL对象并打开连接
URL url = new URL(imageUrl);
connection = (HttpURLConnection) url.openConnection();
// 设置请求方法为GET
connection.setRequestMethod("GET");
// 建立连接
connection.connect();
// 获取响应码并判断是否下载成功
int responseCode = connection.getResponseCode();
if (responseCode == HttpURLConnection.HTTP_OK) {
// 创建输入流和输出流,用于读取和保存图片
in = new BufferedInputStream(connection.getInputStream());
out = new FileOutputStream(savePath);
// 缓冲区,用于一次读取和写入一定量的数据
byte[] buffer = new byte[1024];
int bytesRead;
// 循环读取直到没有数据
while ((bytesRead = in.read(buffer)) != -1) {
out.write(buffer, 0, bytesRead);
}
System.out.println("图片/视频 下载成功,保存路径:" + savePath);
} else {
// 响应码不为HTTP_OK,下载失败
System.out.println("无法下载图片/视频,响应码:" + responseCode);
}
}catch (Exception e) {
// 捕获异常并打印堆栈信息
e.printStackTrace();
}finally {
// 无论成功或失败,最后都关闭流和连接
// 关闭输入流
if (in != null) {
try {
in.close();
} catch (IOException e) {
// 将IO异常转为运行时异常抛出
throw new RuntimeException(e);
}
}
// 关闭输出流
if (out != null) {
try {
out.close();
} catch (IOException e) {
// 将IO异常转为运行时异常抛出
throw new RuntimeException(e);
}
}
// 关闭连接
if (connection != null) {
connection.disconnect();
}
}
}
}
执行结果
执行main 方法后的输出 Excel 结果如图
图片链接和视频链接都已经转存记录成功。