抖音分享页用户信息爬取

其实这个是有客户要求做的，但我完成的不够完美。过来分享出来好了~

首先，你知道抖音有一个用户分享页吧？

像这样的：https://www.douyin.com/share/user/58841646784

F12查看代码。

ok，可以看到有数字的地方都做了字体反爬，比如抖音id上的数字啊，粉丝数这些。

那我们这样子，先把它的这个字体文件下载下来

在开发者工具中选择Network筛选font后刷新网页就能找到这个字体了，如下图：

然后复制链接到新窗口打开就能下载字体了。

这是我下到的字体

下一步就是去百度网页字体编辑器

链接：http://fontstore.baidu.com/static/editor/index.html

然后选择打开，打开下载好的字体文件：

打开字体看到的效果：

看到没，在开发者工具哪里看得到，一个数字，其实是有三个unicode编码对应的。

那我们一个个保存下来这些对应关系就好了。

这是我保存下来的：

change = {(‘\ue602‘,‘\ue60E‘,‘\ue618‘):‘1‘,(‘\ue603‘,‘\ue60d‘,‘\ue616‘):‘0‘,(‘\ue604‘,‘\ue611‘,‘\ue61a‘):‘3‘,(‘\ue605‘,‘\ue610‘,‘\ue617‘):‘2‘,(‘\ue606‘,‘\ue60c‘,‘\ue619‘):‘4‘,(‘\ue607‘,‘\ue60f‘,‘\ue61b‘):‘5‘,(‘\ue608‘,‘\ue612‘,‘\ue61f‘):‘6‘,(‘\ue609‘,‘\ue615‘,‘\ue61e‘):‘9‘,(‘\ue60a‘,‘\ue613‘,‘\ue61c‘):‘7‘,(‘\ue60b‘,‘\ue614‘,‘\ue61d‘):‘8‘}

ok，其实这个并不麻烦。麻烦的是怎么去获取链接后面那个id

分享链接的id获取的话我是抓客户端数据包拿到的，键是‘uid‘。

如果你有高效率的获取这个id的方法，欢迎过来分享，让我付费也行哦~

分享页爬取的完整代码：

import requests
from bs4 import BeautifulSoup as bs

id = ‘86560737726‘
change = {(‘\ue602‘,‘\ue60E‘,‘\ue618‘):‘1‘,(‘\ue603‘,‘\ue60d‘,‘\ue616‘):‘0‘,(‘\ue604‘,‘\ue611‘,‘\ue61a‘):‘3‘,(‘\ue605‘,‘\ue610‘,‘\ue617‘):‘2‘,(‘\ue606‘,‘\ue60c‘,‘\ue619‘):‘4‘,(‘\ue607‘,‘\ue60f‘,‘\ue61b‘):‘5‘,(‘\ue608‘,‘\ue612‘,‘\ue61f‘):‘6‘,(‘\ue609‘,‘\ue615‘,‘\ue61e‘):‘9‘,(‘\ue60a‘,‘\ue613‘,‘\ue61c‘):‘7‘,(‘\ue60b‘,‘\ue614‘,‘\ue61d‘):‘8‘}

#将爬到的单个unicode编码放到这个函数会返回对应的数字
def change_2_num(code):
    for i in change:
        try:
            if code.split()[0] in i:
                return change[i]
        except:
            print(‘函数change_2_num出错‘,code.split())
    return code

#请求链接，返回soup对象
def get_html(id):
    url = ‘https://www.douyin.com/share/user/‘+id
    print(url)
    headers = {"user-agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60"}
    r = requests.get(url,headers=headers,verify=False)
    if not len(r.text)>10000:
        return
    soup = bs(r.text,‘lxml‘)
    return soup

def get_num(name,attrs):
    fin = ‘‘
    res = soup.find_all(name=name,attrs={‘class‘:attrs})
    if res:
        mid = res[0].text.split()
        #将获取的文本以空格切成列表，不切的话因为空格的存在会返回‘‘而不是uincode编码
    else:
        return
    for code in mid:
        fin+=change_2_num(code)
        #遍历文本内容，如果是unicode编码则返回对应数字
    print(fin)
    return fin

soup = ‘‘
def main():
    global soup
    soup = get_html(id)
    if not soup:
        return
    try:
        nickname = soup.find(name=‘p‘,attrs={‘class‘:‘nickname‘}).string
        print(nickname )
        signature = soup.find(name=‘p‘,attrs={‘class‘:‘signature‘}).string
        print(signature)
        dyID = get_num(‘p‘,"shortid").replace(‘抖音ID：‘,‘‘)
        focus = get_num(‘span‘,"focus").replace(‘关注‘,‘‘)
        follower = get_num(‘span‘,"follower").replace(‘粉丝‘,‘‘)
        liked = get_num(‘span‘,"liked-num").replace(‘赞‘,‘‘)
        works = get_num(‘div‘,"user-tab").replace(‘作品‘,‘‘)
        like = get_num(‘div‘,"like-tab").replace(‘喜欢‘,‘‘)
    except:
        return

main()

The end--

原文地址：https://www.cnblogs.com/byadmin/p/11441137.html