毕设题目要使用到新浪微博数据，所以要爬取新浪微博的数据。一般而言，新浪微博的爬虫有两种模式：新浪官方API和模拟登录新浪微博。两种方法的异同点和适用情况就无须赘述了。前辈的文章已经非常多了。写这篇文章主要记录自己的探究过程。
背景知识：Http协议，HttpClient开源包。
1，微博登陆流程
使用Firefox下的HttpFox或者Chrome下的[工具]->[开发者工具](F12快捷键启动)可以查看浏览器与网站服务器之间的报文交换信息。
我使用的是FireFox下面的HttpFox。建议提前删除FireFox之前保存的关于新浪微博的Cookies。这样登录过程更明显。
首先在地址栏中输入网址，进入到登陆界面。然后开启HttpFox，输入账号(account)和密码(password)，单击登录按键，正常登陆。
如上图四个高亮项所示，微博的登录过程主要为四步HTTP请求：
(1)GET /sso/prelogin.php
(2)POST/sso/login.php?client=ssologin.js(v1.4.11)
(3)GET/ajaxlogin.php?framelogin=1&callback=parent.sinaSSOController.feedBackUrlCallBack&sudaref=
(4)GET/u/5081950920/home?wvr=5&uut=fin&from=reg
下面对四步进行解析：
(1)GET/sso/prelogin.php
此步骤是向服务器请求servertime，nonce等参数。此时可暂不了解这些参数的用处。
首先GET请求的参数为：
这里，‘su’参数是登录账户account经过BASE64加密过后得到的字符串，先将account中的‘@’替换为'%40',然后对其BASE64加密，得到su的值。‘_’参数的值是当前时间(毫秒值)。其余参数值一般不变。
样例：
/sso/prelogin.php?entry=weibo&callback=sinaSSOController.preloginCallBack&su=Y29tbWVudHN3ZWlibyU0MDE2My5jb20%3D&rsakt=mod&checkpin=1&client=ssologin.js(v1.4.11)&_=1395726032529
向服务器发送这个请求后，会得到服务器的JSon格式的返回值：
sinaSSOController.preloginCallBack({"retcode":0,"servertime":1395726033,"pcid":"gz-3271d864f76816bbfbd651c6887ba9eabf59","nonce":"04DGHY","pubkey":"EB2A38568661887FA180BDDB5CABD5F21C7BFD59C090CB2D245A87AC253062882729293E5506350508E7F9AA3BB77F4333231490F915F6D63C55FE2F08A49B353F444AD3993CACC02DB784ABBB8E42A9B1BBFFFB38BE18D78E87A0E41B9B8F73A928EE0CCEE1F6739884B9777E4FE9E88A1BBE495927AC4A799B3181D6442443","rsakv":"1330428213","showpin":0,"exectime":157})
retcode为0表示执行成功；servertime,nonce是后期对用户密码password加密用的参数。pubkey是加密用的公钥，它的值一般为固定不变的，任何一次请求返回值都一样。raskv也是加密使用的参数。其余参数用处不大。
(2)POST/sso/login.php?client=ssologin.js(v1.4.11)
这一步就是向服务器提交表单，表单参数为：
Parameter
Value
说明
entry
固定值
gateway
1
固定值
from
空值
savestate
7
固定值
useticket
1
固定值
pagerefer
空值
vsnf
1
固定值
su
Y29tbWVudHN3ZWlibyU0MDE2My5jb20=
账号account经过BASE64加密后得到的值
service
miniblog
固定值
servertime
1395726063
上一步获取的值
nonce
04DGHY
上一步获取的值
pwencode
rsa2
新浪所使用的加密方法，具体值与新浪使用算法有关。短期内应该为固定值
rsakv
1330428213
上一步获取的值
sp
一个256位的密文
密码password加密后的值，具体加密方法下面详细介绍
encoding
UTF-8
固定值
prelt
171
一个在[100, 1000]内取随机值
url
/ajaxlogin.php?framelogin=1&callback=parent.sinaSSOController.feedBackUrlCallBack
固定值
returntype
META
固定值
将该表单提交到URL：
/sso/login.php?client=ssologin.js(v1.4.11)
这个URL版本不断变化，现在为版本1.4.11。自己开发代码时，可以注意一下当时的具体版本。
上述参数pagerefer有时候会改为
ssosimplelogin
1
固定值
但是，经过验证，两者互换无差别。
重点为su和sp的获取。
su:用户名usrname，就是输入的账户account，一般为邮件地址，经过BASE64加密后获得。
sp:密码password经过加密后获得。加密算法有两种。登陆时，会获取新浪微博的一个名字为ssologin.js的js脚本文件，在的页面中连接为http://js./t35/miniblog/static/js/sso.js?version=8818b2c42b785af9。上面截图没有截取，可自行截取，在输入前打开HttpFox即可。
该脚本文件中包含了整个登陆过程，同时包含了RSA加密算法，WSSE加密算法和BASE64加密算法。目前该脚本文件的版本为1.4.11，版本一直在升级，升级过程加密算法可能会做更改。具体加密过程此处不表，课查看js该文件，或者翻阅文章开头的链接博文，里面讲解比较详细。
具体而言，就是RSA加密算法是将servertime，nonce与账户密码链接，同时设置rsaPubkey和‘10001’(固定值)作为参数，进行RSA加密，现在执行的是这一版本。
RSA:
request["servertime"] =me.servertime;
request["nonce"] =me.nonce;
request["pwencode"] = "rsa2";
equest["rsakv"] =me.rsakv;var RSAKey = newsinaSSOEncoder.RSAKey();
RSAKey.setPublic(me.rsaPubkey,'10001');
password= RSAKey.encrypt([me.servertime, me.nonce].join("\t") + "\n" + password);
WSSE加密算法曾经作为sp的加密算法，现在不采用，以后或许也会重新采用。具体行为就是两次SHA1加密password，然后加入servertime和nonce再SHA1加密一次。
WSSE:
request["servertime"] =me.servertime;
request["nonce"] =me.nonce;
request["pwencode"] = "wsse";
password=sinaSSOEncoder.hex_sha1(""sinaSSOEncoder.hex_sha1(sinaSSOEncoder.hex_sha1(password)) + me.servertime + me.nonce);
然后表单提交之后，会得到一个html文件(在HttpFox中查看Content内容)。
ÐÂÀËͨÐÐÖ¤
location.replace("/sso/login.php?url=http%3A%2F%%2Fajaxlogin.php%3Fframelogin%3D1%26callback%3Dparent.sinaSSOController.feedBackUrlCallBack%26sudaref%&ticket=ST-NTA4MTk1MDkyMA==-1395726048-gz-E9A629068822EF01DD1427CA6D0C14D9&retcode=0");
