快捷導(dǎo)航

python 爬取騰訊視頻評(píng)論的實(shí)現(xiàn)步驟

更新時(shí)間：2021年02月18日 09:52:29 作者：春日宴

這篇文章主要介紹了python 爬取騰訊視頻評(píng)論的實(shí)現(xiàn)步驟，幫助大家更好的理解和學(xué)習(xí)使用python爬蟲，感興趣的朋友可以了解下

一、網(wǎng)址分析

查閱了網(wǎng)上的大部分資料，大概都是通過抓包獲取。但是抓包有點(diǎn)麻煩，嘗試了F12，也可以獲取到評(píng)論。以電視劇《在一起》為例子。評(píng)論最底端有個(gè)查看更多評(píng)論猜測過去應(yīng)該是 Ajax 的異步加載。
網(wǎng)上的大部分都是構(gòu)建評(píng)論的網(wǎng)址，通過 requests 獲取，正則表達(dá)式進(jìn)行數(shù)據(jù)處理。本文也利用該方法進(jìn)行數(shù)據(jù)處理，其實(shí)利用 scrapy 會(huì)更簡單。
根據(jù)前輩給出的經(jīng)驗(yàn)，順利找到了評(píng)論所在的鏈接。

在新標(biāo)簽中打開，該網(wǎng)址的鏈接。

評(píng)論都在"content":"xxxxx"里面，所有可以通過正則表達(dá)式獲取。
那么現(xiàn)在要開始構(gòu)建網(wǎng)址，找到其規(guī)律。
在查找評(píng)論鏈接的過程中無意發(fā)現(xiàn)，點(diǎn)擊影評(píng)旁邊的評(píng)論總數(shù)，可以獲取到更為干凈的評(píng)論界面。結(jié)果是一樣的。

既然是要爬取所有的評(píng)論，所以知道評(píng)論數(shù)是必不可少的。

再通過F12獲取到評(píng)論鏈接，找到網(wǎng)址的規(guī)律，構(gòu)建網(wǎng)址，加載三四個(gè)評(píng)論就行了。這里加載了四個(gè)網(wǎng)址。把所有網(wǎng)址復(fù)制到文本文件中，進(jìn)行對(duì)比分析。

觀察發(fā)現(xiàn)只有 cursor 和 source 進(jìn)行了改變，其他是不變的，二 source 是在第一個(gè)的基礎(chǔ)上進(jìn)行加一操作，所以只需要獲取到 cursor 即可。我們打開一個(gè)評(píng)論鏈接的網(wǎng)址，我們可以知道，cursor 其實(shí)是上一頁最后一個(gè)用戶的ID碼。所以我們只需要在爬取上一頁的時(shí)候一起爬蟲了。然后就可以構(gòu)建網(wǎng)址。

二、代碼編寫

這個(gè)代碼還是簡單的。套用之前上課做的模板就可以直接進(jìn)行爬蟲了。
通過正則表達(dá)式獲取評(píng)論，返回一個(gè)列表；
正則表達(dá)式獲得的 cursor 碼是列表，所以要轉(zhuǎn)化為字符串使用；
source 很簡單了，直接在上一個(gè)的基礎(chǔ)上加一即可。

def getComment(html): # 爬取單頁評(píng)論

 findeComment = re.compile(r'"content":"(.*?)"', re.S)
 comment = re.findall(findeComment, html)
 # print(comment)
 return comment

def getCursor(html): # 獲取下一頁的cursor碼
 findeCursor = re.compile(r'"last":"(.*?)"', re.S)
 cursor = re.findall(findeCursor, html)[0]
 # print(cursor)
 return cursor


def getSource(source): # 獲取下一頁的source碼
 source = int(source) + 1
 return str(source)

有點(diǎn)難度的可能就送弄代理吧，但是代理可以模仿網(wǎng)上其他人的寫法，所以還是不是很難。

#添加用戶代理

def ua(uapools):
 thisua = random.choice(uapools)
 # print(thisua)
 headers = ("User-Agent", thisua)
 opener = urllib.request.build_opener()
 opener.addheaders = [headers]
 # 設(shè)置為全局變量
 urllib.request.install_opener(opener)

三、遇到的問題

1. 獲取評(píng)論的時(shí)候也將子評(píng)論爬蟲進(jìn)去了。

仔細(xì)查看了源碼，發(fā)現(xiàn)評(píng)論主要在 data 下面的 oriCommList 列表里，其他范圍的評(píng)論為子評(píng)論。個(gè)人認(rèn)為子評(píng)論也算有效評(píng)論，目前不打算處理。

2. 獲取全部評(píng)論數(shù)，直接通過 requests 獲取不到

嘗試了 xpath 和 requests 發(fā)現(xiàn)不能獲取全部評(píng)論數(shù)，所以目前只能通過 selenium 獲取，但是 selenium 效率太低了，就獲取一個(gè)評(píng)論總數(shù)，還不如打開源碼直接修改評(píng)論總數(shù)，所以暫時(shí)沒有修改

3. 評(píng)論總數(shù)數(shù)據(jù)太大

因?yàn)橹芭老x過很多網(wǎng)站，同一個(gè) user-agent 很容易被 ban ，所以目前構(gòu)建了用戶代理，然后進(jìn)行隨機(jī)。其實(shí)還想加一個(gè) ip 代理的，但是使用了 ip 代理的網(wǎng)址，上面寫的正常的 ip ，在使用的時(shí)候，拒絕連接。也嘗試過構(gòu)建代理池。但是代理池一般都是使用docker 和 Redis 進(jìn)行獲取。暫時(shí)沒有選用，之選用了用戶代理，然后在獲取 headers 的時(shí)候加個(gè) time.sleep(1)。目前還是正常的。