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

 1 import re
 2 import random
 3 import urllib.request
 4 ​
 5 #构建用户代理
 6 uapools=["Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36",
 7          "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36",
 8          "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:71.0) Gecko/20100101 Firefox/71.0",
 9         ]
10 #从用户代理池随机选取一个用户代理
11 def ua(uapools):
12     thisua=random.choice(uapools)
13     #print(thisua)
14     headers=("User-Agent",thisua)
15     opener=urllib.request.build_opener()
16     opener.addheaders=[headers]
17     #设置为全局变量
18     urllib.request.install_opener(opener)
19 ​
20 #获取源码
21 def get_content(page,lastId):
22     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)
23     html=urllib.request.urlopen(url).read().decode("utf-8","ignore")
24     return html
25 ​
26 #从源码中获取评论的数据
27 def get_comment(html):
28     pat='"content":"(.*?)"'
29     rst = re.compile(pat,re.S).findall(html)
30     return rst
31 ​
32 #从源码中获取下一轮刷新页的ID
33 def get_lastId(html):
34     pat='"last":"(.*?)"'
35     lastId = re.compile(pat,re.S).findall(html)[0]
36     return lastId
37 ​
38 def main():
39     ua(uapools)
40     #初始页面
41     page=1576567187274
42     #初始待刷新页面ID
43     lastId="6460393679757345760"
44     for i in range(1,6):
45         html = get_content(page,lastId)
46         #获取评论数据
47         commentlist=get_comment(html)
48         print("------第"+str(i)+"轮页面评论------")
49         for j in range(1,len(commentlist)):
50             print("第"+str(j)+"条评论：" +str(commentlist[j]))
51         #获取下一轮刷新页ID
52         lastId=get_lastId(html)
53         page += 1
54 ​
55 main()

 

四、结果展示

.