python爬取微博評論（無重複數據）

五、主函數調用

寫在最後

Tip:本文僅供學習與交流，切勿用於非法用途！！！

前言

前段時間微博上關於某日記的評論出現了嚴重的兩極分化，出於好奇的我想對其中的評論以及相關用戶做一個簡單的分析，於是我在網上找了相關的代碼，簡單的修改了cookies等參數就Run起來了。
既然沒報錯！！我很震驚，從未若此暢快過~
隨後便分析起來，過了一會就發現：事情並不簡單，數據是重複的！！
沒錯，重複率如此之高，令人髮指。於是，我開始了我的探索之路~
說明：整體代碼還是借鑑了之前大佬的，主要是解決了數據重複的問題，如有侵權還請聯繫！

一、整體思路

思路也比較清楚，我畫了一個極其簡單的流程圖：

至於這裏爲什麼主評論和子評論要分開獲取，這也是解決重複問題的關鍵，通過測試可以知道直接按照規律修改頁面參數或者通過.cn的頁面爬取，在到達一定的數量後（大概是幾百）就無法得到數據或是出現數據重複。

二、獲取微博地址

訪問微博用戶頁面時的請求URL爲：

https://weibo.com/xxxxxxxxx?is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page=1

其中通過修改page參數，即可控制頁碼，但是細心的小夥伴應該發現了，一頁的數據除了直接加載的HTML之外，還有兩次是通過ajax動態獲取的：

start_ajax_url1 = 'https://weibo.com/p/aj/v6/mblog/mbloglist?ajwvr=6&domain=%s&is_all=1&page={0}&pagebar=0&pl_name=Pl_Official_MyProfileFeed__20&id=%s&script_uri=/%s&pre_page={0}'%(domain,page_id,user)
start_ajax_url2 = 'https://weibo.com/p/aj/v6/mblog/mbloglist?ajwvr=6&domain=%s&is_all=1&page={0}&pagebar=1&pl_name=Pl_Official_MyProfileFeed__20&id=%s&script_uri=/%s&pre_page={0}'%(domain,page_id,user)

也就是說，每頁數據有三部分組成：

1、獲取ajax地址

通過主界面，獲取相應的ajax請求地址：

def get_ajax_url(user):
    url = 'https://weibo.com/%s?page=1&is_all=1'%user
    res = requests.get(url, headers=headers,cookies=cookies)
    html  = res.text
    page_id = re.findall("CONFIG\['page_id'\]='(.*?)'",html)[0]
    domain = re.findall("CONFIG\['domain'\]='(.*?)'",html)[0]
    start_ajax_url1 = 'https://weibo.com/p/aj/v6/mblog/mbloglist?ajwvr=6&domain=%s&is_all=1&page={0}&pagebar=0&pl_name=Pl_Official_MyProfileFeed__20&id=%s&script_uri=/%s&pre_page={0}'%(domain,page_id,user)
    start_ajax_url2 = 'https://weibo.com/p/aj/v6/mblog/mbloglist?ajwvr=6&domain=%s&is_all=1&page={0}&pagebar=1&pl_name=Pl_Official_MyProfileFeed__20&id=%s&script_uri=/%s&pre_page={0}'%(domain,page_id,user)
    return start_ajax_url1,start_ajax_url2

2、解析頁面中的微博地址

發送請求後，解析頁面中的微博地址（主頁面請求或AJAX請求相同）：

def parse_home_url(url): 
    res = requests.get(url, headers=headers,cookies=cookies)
    response = res.content.decode().replace("\\", "")
    every_id = re.compile('name=(\d+)', re.S).findall(response) # 獲取次級頁面需要的id
    home_url = []
    for id in every_id:
        base_url = 'https://weibo.com/aj/v6/comment/big?ajwvr=6&id={}&from=singleWeiBo'
        url = base_url.format(id)
        home_url.append(url)
    return home_url

3、獲取指定用戶微博地址

將上面兩個函數整合，得到：

def get_home_url(user,page): 
    start_url = 'https://weibo.com/%s?page={}&is_all=1'%user
    start_ajax_url1,start_ajax_url2 = get_ajax_url(user)
    for i in range(page): 
        home_url = parse_home_url(start_url.format(i + 1)) # 獲取每一頁的微博
        ajax_url1 = parse_home_url(start_ajax_url1.format(i + 1)) # ajax加載頁面的微博
        ajax_url2 = parse_home_url(start_ajax_url2.format(i + 1)) # ajax第二頁加載頁面的微博
        all_url = home_url + ajax_url1 + ajax_url2
        print('第%d頁解析完成'%(i+1))
    return all_url

參數爲用戶的ID，以及爬取的頁數，返回結果則爲每條微博的地址。

三、獲取主評論

簡單分析請求數據可以知道，獲取微博評論的接口爲：

https://weibo.com/aj/v6/comment/big?ajwvr=6&id=4498052401861557&root_comment_max_id=185022621492535&root_comment_max_id_type=0&root_comment_ext_param=&page=1&from=singleWeiBo

一個很耀眼的page參數映入眼簾，而且似乎其他參數去掉之後請求也正常，也許你第一反應是寫個循環直接獲取不就OK了，emmmm，然後你就將陷入數據重複的恐怖原點。似乎root_comment_max_id這個參數也很重要，得想法獲得。通過進一步分析可以發現，其實在請求返回的數據中，已經包含了下一步請求的地址，只需要提取出來再繼續往下即可：

代碼如下：

def parse_comment_info(data_json): 
    html = etree.HTML(data_json['data']['html'])
    name = html.xpath("//div[@class='list_li S_line1 clearfix']/div[@class='WB_face W_fl']/a/img/@alt")
    info = html.xpath("//div[@node-type='replywrap']/div[@class='WB_text']/text()")
    info = "".join(info).replace(" ", "").split("\n")
    info.pop(0)
    comment_time = html.xpath("//div[@class='WB_from S_txt2']/text()") # 評論時間
    name_url = html.xpath("//div[@class='WB_face W_fl']/a/@href")
    name_url = ["https:" + i for i in name_url]
    ids = html.xpath("//div[@node-type='root_comment']/@comment_id")    
    try:
        next_url = 'https://weibo.com/aj/v6/comment/big?ajwvr=6&from=singleWeiBo&'+html.xpath('/html/body/div/div/div[%d]/@action-data'%(len(name)+1))[0]+'&__rnd='+str(int(time.time()*1000))
    except:
        try:
            next_url = 'https://weibo.com/aj/v6/comment/big?ajwvr=6&from=singleWeiBo&'+html.xpath('/html/body/div/div/a/@action-data')[0]+'&__rnd='+str(int(time.time()*1000))
        except:
            next_url = ''
    comment_info_list = []
    for i in range(len(name)): 
        item = {}
        item["id"] = ids[i]
        item["name"] = name[i] # 存儲評論人的網名
        item["comment_info"] = info[i][1:] # 存儲評論的信息
        item["comment_time"] = comment_time[i] # 存儲評論時間
        item["comment_url"] = name_url[i] # 存儲評論人的相關主頁
        try:
            action_data = html.xpath("/html/body/div/div/div[%d]//a[@action-type='click_more_child_comment_big']/@action-data"%(i+1))[0]
            child_url = 'https://weibo.com/aj/v6/comment/big?ajwvr=6&from=singleWeiBo&' + action_data
            item["child_url"] = child_url
        except:
            item["child_url"] = ''    
        comment_info_list.append(item)
    return comment_info_list,next_url

參數爲請求的json數據，返回解析後的數據，以及下一個地址，數據格式如下：

其中child_url即爲相對應子評論地址，進一步獲取子評論。

四、獲取子評論

獲取子評論的思路和獲取主評論的思路是一致的，當我們獲取完所有主評論之後，便遍歷結果，當child_url不爲空時（即有子評論），則進行請求獲取子評論。

1、解析子評論

def parse_comment_info_child(data_json): 
    html = etree.HTML(data_json['data']['html'])
    name = html.xpath("//div[@class='list_li S_line1 clearfix']/div/div[1]/a[1]/text()")
    info=html.xpath("//div[@class='list_li S_line1 clearfix']/div/div[1]/text()")
    info = "".join(info).replace(" ", "").split("\n")
    info.pop(0)
    comment_time = html.xpath("//div[@class='WB_from S_txt2']/text()") # 評論時間
    name_url = html.xpath("//div[@class='list_li S_line1 clearfix']/div/div[1]/a[1]/@href")
    name_url = ["https:" + i for i in name_url]
    ids = html.xpath("//div[@class='list_li S_line1 clearfix']/@comment_id")
    try:
        next_url = 'https://weibo.com/aj/v6/comment/big?ajwvr=6&from=singleWeiBo&'+html.xpath('/html/body/div[%d]/div/a/@action-data'%(len(name)+1))[0]+'&__rnd='+str(int(time.time()*1000))
    except:
        next_url = ''
    comment_info_list = []
    for i in range(len(name)): 
        item = {}
        item["id"] = ids[i]
        item["name"] = name[i] # 存儲評論人的網名
        item["comment_info"] = info[i][1:] # 存儲評論的信息
        item["comment_time"] = comment_time[i] # 存儲評論時間
        item["comment_url"] = name_url[i] # 存儲評論人的相關主頁
        comment_info_list.append(item)
    return comment_info_list,next_url

2、獲取子評論

整合調用上一個函數，獲得相應的子評論：

def get_childcomment(url_child):
    print('開始獲取子評論...')
    comment_info_list = []
    res = requests.get(url_child, headers=headers, cookies=cookies)
    data_json = res.json()
    count = data_json['data']['count']
    comment_info,next_url = parse_comment_info_child(data_json)
    comment_info_list.extend(comment_info)
    print('已經獲取%d條'%len(comment_info_list))
    while len(comment_info_list) < count:
        if next_url == '':
            break
        res = requests.get(next_url,headers=headers,cookies=cookies)
        data_json = res.json()
        comment_info,next_url = parse_comment_info_child(data_json)
        comment_info_list.extend(comment_info)
        print('已經獲取%d條'%len(comment_info_list))
    return comment_info_list

參數爲child_url，返回爲對應的子評論。

五、主函數調用

1、導入相關庫

import re
import time
import json
import urllib
import requests
from lxml import etree

2、主函數執行

if "__main__" == __name__: 
    # 設置相應參數
    headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:75.0) Gecko/20100101 Firefox/75.0',
            'Accept': '*/*',
            'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
            'Content-Type': 'application/x-www-form-urlencoded',
            'X-Requested-With': 'XMLHttpRequest',
            'Connection': 'keep-alive',
    }
    cookies = {} # 微博cookies(需要自己獲取請求得到)
    userid = ''  # 需要爬取的微博用戶ID
    page = 1     # 爬取的頁數
    # 開始爬取
    all_urls = get_home_url(userid,page)
    for index in range(len(all_urls)):
        url = all_urls[index] 
        print('開始獲取第%d個微博主評論...'%(index+1))
        comment_info_list = []
        res = requests.get(url, headers=headers, cookies=cookies)
        data_json = res.json()
        count = data_json['data']['count']
        comment_info,next_url = parse_comment_info(data_json)
        comment_info_list.extend(comment_info)
        print('已經獲取%d條'%len(comment_info_list))
        while True:
            if next_url == '':
                break
            res = requests.get(next_url,headers=headers,cookies=cookies)
            data_json = res.json()
            comment_info,next_url = parse_comment_info(data_json)
            comment_info_list.extend(comment_info)
            print('已經獲取%d條'%len(comment_info_list))
        for i in range(len(comment_info_list)):
            child_url = comment_info_list[i]['child_url']
            if child_url != '':
                comment_info_list[i]['child'] = get_childcomment(child_url)
            else:
                comment_info_list[i]['child'] = []
        with open('第%d條微博評論.txt'%(index+1),'w') as f:
            f.write(json.dumps(comment_info_list))

3、結果

獲取了10條微博數據，如下：

寫在最後

當然，還有很多不足之處，比如速度不太理想，結構比較混亂。考慮過加入多線程等辦法加快速度，不過由於需要登陸，所以有封號風險哦，大家慎重~

最後，感謝各位大大的耐心閱讀~
慢着，大俠請留步… 動起可愛的雙手，來個贊再走唄 (๑◕ܫ￩๑)

python爬取微博評論（無重複數據）

python爬取微博評論（無重複數據）

前言

一、整體思路

二、獲取微博地址

1、獲取ajax地址

2、解析頁面中的微博地址

3、獲取指定用戶微博地址

三、獲取主評論

四、獲取子評論

1、解析子評論

2、獲取子評論

五、主函數調用

1、導入相關庫

2、主函數執行

3、結果

寫在最後

關於遊戲付費的一點想法

我通過CKA和CKS啦！

POST參數轉爲DICT

python爬取並分析淘寶商品信息

一個微博熱搜引發的故事

python實現圖片嗅探工具——自編driftnet

python爬取微博評論（無重複數據）

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結