一、免登录微博一定要登录才能抓取?微博

目前，对于微博的爬虫爬虫，大部分是技巧及基于模拟微博账号登录的方式实现的，这种方式如果真的详解现运营起来，实际上是免登录一件非常头疼痛苦的事，你可能每天都过得提心吊胆，微博生怕新浪爸爸把你的爬虫那些账号给封了，而且现在随着实名制的技巧及落地，获得账号的详解现渠道估计也会变得越来越少。

但是免登录日子还得继续，在如此艰难的微博条件下，为了生存爬虫们必须寻求进化。爬虫好在上帝关门的技巧及同时会随手开窗，微博在其他诸如头条，详解现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云服务器提供商状态下，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，源码下载其状态为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/vi...……，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云南idc服务商一个function：

// 为用户赋予访客身份 。     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);     };  

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：

 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);//注意这里，对应上述的3个参数             }         },         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);                     }                 });             }         }, …… //获得参数 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();     };  

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/vi...，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

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

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.gen_callback方法，不出现时默认为100，另外当new_tid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：

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

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：

<!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="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" /> <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-随时随地发现新鲜事</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：

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; 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; 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; 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! 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; 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; 后续我也会把代码push到github上，请大家支持，谢谢!  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; /**  * 微博免登陆请求客户端  *  * @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，获取微博平台的其他页面      * @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;         }     }      /**      * 获取访问微博时必需的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();         }     } }