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
.
原文地址：https://www.cnblogs.com/Qqun821460695/p/12067594.html