Python爬取騰訊視頻評論的思路詳解

更新時間：2019年12月19日 09:40:58 作者：畫師-開言

這篇文章主要介紹了Python爬取騰訊視頻評論功能，本文圖文詳解給大家提供實現(xiàn)思路,需要的朋友可以參考下

一、前提條件

安裝了Fiddler了（用于抓包分析）
谷歌或火狐瀏覽器
如果是谷歌瀏覽器，還需要給谷歌瀏覽器安裝一個SwitchyOmega插件，用于代理服務器
有Python的編譯環(huán)境，一般選擇Python3.0及以上

聲明：本次爬取騰訊視頻里 《最美公里》紀錄片的評論。本次爬取使用的瀏覽器是谷歌瀏覽器

二、分析思路

1、分析評論頁面

在這里插入圖片描述

根據(jù)上圖，我們可以知道：評論使用了Ajax異步刷新技術(shù)。這樣就不能使用以前分析當前頁面找出規(guī)律的手段了。因為展示的頁面只有部分評論，還有大量的評論沒有被刷新出來。

這時，我們應該想到使用抓包來分析評論頁面刷新的規(guī)律。以后大部分爬蟲，都會先使用抓包技術(shù)，分析出規(guī)律！

2、使用Fiddler進行抓包分析——得出評論網(wǎng)址規(guī)律

fiddler如何抓包，這個知識點，需要讀者自行去學習，不在本博客討論范圍。

在這里插入圖片描述

把上面兩張圖里面的內(nèi)容對比一下，可以知道這個JS就是評論存放頁面。（這需要大家一個一個找，一般Ajax都是在JS里面，所以這也找JS進行對比即可）

我們復制這個JS的url：右擊 > copy > Just Url

大家可以重復操作幾次，多找?guī)讉€JS的url，從url得出規(guī)律。下圖是我刷新了4次得到的JS的url：

在這里插入圖片描述

根據(jù)上圖，我們發(fā)現(xiàn)url不同的地方有兩處：一是cursor=？；二是_=？。

我們很快就能發(fā)現(xiàn) _=？的規(guī)律，它是從1576567187273加1。而cursor=？的規(guī)律看不出來。這個時候找到它的規(guī)律呢？

（1）百度一下，看前人有沒有爬取過類型的網(wǎng)站，根據(jù)他們的規(guī)律和方法，去找出規(guī)律；

（2）羊毛出在羊身上。我們需要有的大膽想法——會不會這個cursor=?可以根據(jù)上一個JS頁面得到呢？這只是很多大膽想法中的一個，我們就一個想法一個想法的試試。

我們就采用第二種方法，去js里面找。復制其中一個url為：

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

去瀏覽器里面打開，在里面搜索一下此url的下一個url的cursor=？的值。我們發(fā)現(xiàn)一個驚喜！

在這里插入圖片描述

如下：

一般情況下，我們還要多試幾次，確定我們的想法是正確的。

至此，我們發(fā)現(xiàn)了評論的url之間的規(guī)律：

_=？從1576567187273加1
cursor=？的值存在上面一個JS中。

三、代碼編寫

import re
import random
import urllib.request

#構(gòu)建用戶代理
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",
 ]
#從用戶代理池隨機選取一個用戶代理
def ua(uapools):
 thisua=random.choice(uapools)
 #print(thisua)
 headers=("User-Agent",thisua)
 opener=urllib.request.build_opener()
 opener.addheaders=[headers]
 #設置為全局變量
 urllib.request.install_opener(opener)

#獲取源碼
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

#從源碼中獲取評論的數(shù)據(jù)
def get_comment(html):
 pat='"content":"(.*?)"'
 rst = re.compile(pat,re.S).findall(html)
 return rst
 
#從源碼中獲取下一輪刷新頁的ID
def get_lastId(html):
 pat='"last":"(.*?)"'
 lastId = re.compile(pat,re.S).findall(html)[0]
 return lastId

def main():
 ua(uapools)
 #初始頁面
 page=1576567187274
 #初始待刷新頁面ID
 lastId="6460393679757345760"
 for i in range(1,6):
 html = get_content(page,lastId)
 #獲取評論數(shù)據(jù)
 commentlist=get_comment(html)
 print("------第"+str(i)+"輪頁面評論------")
 for j in range(1,len(commentlist)):
  print("第"+str(j)+"條評論：" +str(commentlist[j]))
 #獲取下一輪刷新頁ID
 lastId=get_lastId(html)
 page += 1

main()

四、結(jié)果展示

在這里插入圖片描述