Python爬虫QQ空间

目录

 

一、前言

二、利用selenium模拟登陆获取cookie并保存到本地

三、破解空间加密参数g_tk

四、在个人QQ空间好友栏获取好友列表

五、获取好友空间说说的json文件，获取姓名、说说内容、时间等信息，存入数据库

六、开启多线程爬取

七、小结

一、前言

玩了这么多年QQ，学了爬虫当然要爬一下啦，肯定有大佬要说爬个QQ空间还要多线程吗，人家只是刚看了多线程方面的知识想用一下啦*٩(๑´∀`๑)ง*。第一次写博客，希望有大佬能指出不足。

二、利用selenium模拟登陆获取cookie并保存到本地

用selenium打开https://i.qq.com/，可以选择直接点击已登陆的QQ头像登陆或者选择账号密码登陆，这里我采用账号密码登陆获取cookie，需要注意的是登陆界面是在一个iframe里面，需要先切换到这个iframe里面然后才能点击输入账号密码以及登陆等操作。

这里我选择把它保存到本地的txt文件中，方便从文件中直接读取。具体获取cookie的代码如下：

from selenium import webdriver
import time
import json

qq_number = '********'
password = '********'

login_url = 'https://i.qq.com/'
driver = webdriver.Chrome()
driver.get(login_url)
#进入登陆的ifame
driver.switch_to_frame('login_frame')
driver.find_element_by_xpath('//*[@id="switcher_plogin"]').click()
time.sleep(1)
driver.find_element_by_xpath('//*[@id="u"]').send_keys(qq_number)
driver.find_element_by_xpath('//*[@id="p"]').send_keys(password)
time.sleep(1)
driver.find_element_by_xpath('//*[@id="login_button"]').click()
time.sleep(1)
cookie_list = driver.get_cookies()
cookie_dict = {}
for cookie in cookie_list:
    if 'name' in cookie and 'value' in cookie:
        cookie_dict[cookie['name']] = cookie['value']

with open('cookie_dict.txt', 'w') as f:
    json.dump(cookie_dict, f)

三、破解空间加密参数g_tk

我选择使用QQ空间中好友栏获取所有的好友列表，很容易就可以在network里边发现有个好友列表的json格式的链接

这么舒服的嘛不多哔哔，先发送个请求再说

headers有了啊，cookies也有了啊，403？！这可咋整，俗话说遇事不决问百度，度娘的回答是参数中的g_tk是空间加密的一个参数，要想正确访问就要把这个加密的值算出来，加密算法在一个js中。

打开这个文件看看，哇，怎么是一片奇奇怪怪的代码，点一下Sources 面板下方的 pretty print 按钮{}就可以把JavaScript的代码格式化了。然后Ctrl+F找一下这个g_tk，发现他的值是QZFL.pluginsDefine.getACSRFToken()函数返回的结果，再次Ctrl+F找到了这个函数的位置。

QZFL.pluginsDefine.getACSRFToken()函数获取cookie中的p_sky的值，QZFL.pluginsDefine.getACSRFToken._DJB()函数将这个值通过与5381位运算算来算去得到一个值，这个值就是我们要的g_tk，将这段代码改成我们要用的python代码：

def get_g_tk():
    p_skey = cookie_dict['p_skey']
    h = 5381
    for i in p_skey:
        h += (h << 5) + ord(i)
        g_tk = h & 2147483647
    print('g_tk', g_tk)
    return g_tk

四、在个人QQ空间好友栏获取好友列表

搞定了g_tk，接下来我们就只需要进刚才所说的空间好友栏页面将所有的好友的QQ号抓下来，经过多次删减参数，得到相关参数只有三个data = {'uin': 1525943131, 'do': 1, 'g_tk': g_tk}，用urllib.parse.urlencode(data)将参数转成我们常见的url后面缀了一长串&&&的形式与原始链接拼接，然后就可以带上cookies发送请求获取json数据，小做处理得到好友QQ号列表：

def get_friends_uin(g_tk):
    yurl = 'https://user.qzone.qq.com/proxy/domain/r.qzone.qq.com/cgi-bin/tfriend/friend_ship_manager.cgi?'
    data = {
            'uin': 1525943131,
            'do': 1,
            'g_tk': g_tk
            }
    url = yurl + urllib.parse.urlencode(data)
    res=requests.get(url, headers = headers, cookies = cookie_dict)
    r = res.text.split('(')[1].split(')')[0]
    friends_list=json.loads(r)['data']['items_list']
    friends_uin=[]
    for f in friends_list:
        friends_uin.append(f['uin'])
    return friends_uin

五、获取好友空间说说的json文件，获取姓名、说说内容、时间等信息，存入数据库

点进好友空间，点击说说，我们在network里可以看到有这样一个链接：

双击打开，我们会发现这是好友发的说说的json数据，有json数据就很好办呀，删减参数发现控制说说翻页的参数是pos，每一页最多20条，pos从0开始，每翻一页增加20，构造链接，发送请求，获取数据，小做处理，得到内容时间等信息，设计数据库，这里需要注意的是QQ号最好用bigint类型，不然有可能会超出int类型的最大范围，content的字符集选用utf8mb4，因为QQ上Emoji表情或者某些特殊字符是4个字节，MySQL的utf8编码最多三个字节：

还有几个细节：好友的说说中有可能会有单引号、斜杠、反斜杠等奇奇怪怪的符号存在，会报错，因此在存之前对content做pymysql.escape_string(content)的处理，escape_string函数会自动帮我们转义这些特殊字符；好友如果设置了拒绝访问，一定要拿小本本记下来！

具体代码如下：

def get_dynamic(uin):
    print(uin)
    conn = pymysql.connect(host="127.0.0.1", port=3306, user="root", passwd="123456", db='my_sql', charset='utf8mb4')
    cursor = conn.cursor()
    yurl = 'https://user.qzone.qq.com/proxy/domain/taotao.qq.com/cgi-bin/emotion_cgi_msglist_v6?'
    pos = 0
    while True:
        data = {
                'uin': uin,
                'pos':pos,
                'num':20,
                'replynum':100,
                'callback':'_preloadCallback',
                'code_version':1,
                'format':'jsonp',
                'need_private_comment':1,
                'g_tk': g_tk
                }
        url = yurl + urllib.parse.urlencode(data)
        res=requests.get(url,headers = headers, cookies = cookie_dict)
        r = re.findall('\((.*)\)',res.text)[0]
        dynamic = json.loads(r)
        pos += 20
        if 'msglist' in dynamic:
            msglist=dynamic['msglist']
            if msglist:
                for m in msglist:
                    name=m['name']
                    content=pymysql.escape_string(m['content'])
                    created_time=m['created_time']
                    standard_time=time.localtime(created_time)
                    standard_time = time.strftime("%Y-%m-%d %H:%M:%S", standard_time)
                    sql = "insert into qzone_spider(qq_number, name, created_time, content) values (%d, '%s', '%s', '%s')"
                    data = (uin, name, standard_time, content)
                    try:
                        cursor.execute(sql % data)
                    except Exception as e:
                        print(e)
                    conn.commit()
            else:
                print("没有更多的说说了╮(︶﹏︶)╭")
                break
        else:
            print("好友空间没有对我开放(｡･ˇ_ˇ･｡:)")
            access_denied.append(uin)
            break

六、开启多线程爬取

多线程的理解我认为就是一个人要干很多个人的活，为了加快速度，没办法喽╮（╯＿╰）╭

#设置线程池容量，创建线程池
pool_size = 10
pool = threadpool.ThreadPool(pool_size)
#创建工作请求
reqs = threadpool.makeRequests(get_dynamic, friends_uin)
#将工作请求放入队列
[pool.putRequest(req) for req in reqs]
#for req in requests:
#    pool.putRequest(req)
pool.wait()

200位好友，一共四万七千多条数据数，速度蛮快，效果如下：

其中居然有21位好友的空间拒绝对我开放！太让人心痛了。

七、小结

总的来说对QQ空间的爬虫还算顺利，如果有什么问题可以在评论指出，也可以加我QQ：1525943131进行探讨，完整代码地址：https://github.com/After-today/qzone_spider。