欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫实战:爬取腾讯视频的评论

程序员文章站 2024-02-01 10:57:34
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=3054cce4 ......

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

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

Python爬虫实战:爬取腾讯视频的评论

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。

Python爬虫实战:爬取腾讯视频的评论

Python爬虫实战:爬取腾讯视频的评论

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:

Python爬虫实战:爬取腾讯视频的评论

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:

Python爬虫实战:爬取腾讯视频的评论

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

Python爬虫实战:爬取腾讯视频的评论 .