Python爬虫实战：爬取腾讯视频的评论

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：易某某

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cef

一、前提条件

安装了Fiddler了（用于抓包分析）
谷歌或火狐浏览器
如果是谷歌浏览器，还需要给谷歌浏览器安装一个SwitchyOmega插件，用于代理服务器
有Python的编译环境，一般选择Python3.0及以上

声明：本次爬取腾讯视频里《最美公里》纪录片的评论。本次爬取使用的浏览器是谷歌浏览器

二、分析思路

1、分析评论页面

根据上图，我们可以知道：评论使用了Ajax异步刷新技术。这样就不能使用以前分析当前页面找出规律的手段了。因为展示的页面只有部分评论，还有大量的评论没有被刷新出来。

这时，我们应该想到使用抓包来分析评论页面刷新的规律。以后大部分爬虫，都会先使用抓包技术，分析出规律！

2、使用Fiddler进行抓包分析——得出评论网址规律

fiddler如何抓包，这个知识点，需要读者自行去学习，不在本博客讨论范围。

把上面两张图里面的内容对比一下，可以知道这个JS就是评论存放页面。（这需要大家一个一个找，一般Ajax都是在JS里面，所以这也找JS进行对比即可）

我们复制这个JS的url：右击 > copy > Just Url

大家可以重复操作几次，多找几个JS的url，从url得出规律。下图是我刷新了4次得到的JS的url：

根据上图，我们发现url不同的地方有两处：一是cursor=？；二是_=？。

我们很快就能发现 _=？的规律，它是从1576567187273加1。而cursor=？的规律看不出来。这个时候如何去找到它的规律呢？

百度一下，看前人有没有爬取过这种类型的网站，根据他们的规律和方法，去找出规律；

羊毛出在羊身上。我们需要有的大胆想法——会不会这个cursor=?可以根据上一个JS页面得到呢？这只是很多大胆想法中的一个，我们就一个想法一个想法的试试。

我们就采用第二种方法，去js里面找。复制其中一个url为：

url = https://video.coral.qq.com/varticle/3242201702/comment/v2?callback=_varticle3242201702commentv2&orinum=10&oriorder=o&pageflag=1&cursor=6460163812968870071&scorecursor=0&orirepnum=2&reporder=o&reppageflag=1&source=132&_=1576567187273

去浏览器里面打开，在里面搜索一下此url的下一个url的cursor=？的值。我们发现一个惊喜！

如下：

一般情况下，我们还要多试几次，确定我们的想法是正确的。

至此，我们发现了评论的url之间的规律：

_=？从1576567187273加1
cursor=？的值存在上面一个JS中。

三、代码编写

 import re

 import random

 import urllib.request

 

 #构建用户代理

 uapools=["Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36",

          "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36",

          "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:71.0) Gecko/20100101 Firefox/71.0",

         ]

 #从用户代理池随机选取一个用户代理

 def ua(uapools):

     thisua=random.choice(uapools)

     #print(thisua)

     headers=("User-Agent",thisua)

     opener=urllib.request.build_opener()

     opener.addheaders=[headers]

     #设置为全局变量

     urllib.request.install_opener(opener)

 

 #获取源码

 def get_content(page,lastId):

     url="https://video.coral.qq.com/varticle/3242201702/comment/v2?callback=_varticle3242201702commentv2&orinum=10&oriorder=o&pageflag=1&cursor="+lastId+"&scorecursor=0&orirepnum=2&reporder=o&reppageflag=1&source=132&_="+str(page)

     html=urllib.request.urlopen(url).read().decode("utf-8","ignore")

     return html

 

 #从源码中获取评论的数据

 def get_comment(html):

     pat='"content":"(.*?)"'

     rst = re.compile(pat,re.S).findall(html)

     return rst

 

 #从源码中获取下一轮刷新页的ID

 def get_lastId(html):

     pat='"last":"(.*?)"'

     lastId = re.compile(pat,re.S).findall(html)[0]

     return lastId

 

 def main():

     ua(uapools)

     #初始页面

     page=1576567187274

     #初始待刷新页面ID

     lastId=""

     for i in range(1,6):

         html = get_content(page,lastId)

         #获取评论数据

         commentlist=get_comment(html)

         print("------第"+str(i)+"轮页面评论------")

         for j in range(1,len(commentlist)):

             print("第"+str(j)+"条评论：" +str(commentlist[j]))

         #获取下一轮刷新页ID

         lastId=get_lastId(html)

         page += 1

 

 main()

四、结果展示