作者:sergiojune
获取本文代码方式:关注Python爱好者社区,回复网易云
在简单学习了python爬虫后,又想继续折腾,进而找到了这个网易云音乐,因为本人平时就是用它听的歌,也喜欢看歌里的评论,所以就爬网易云音乐评论吧,那么开始吧!
正式进入主题
首先还是去找目标网页并开始分析网页结构,如下
上面的三个箭头都是所要找的数据,分别是评论用户,评论和点赞数,都可以用正则表达式找出来,接下来继续找怎样找到下一页的数据,还是用开发者工具,但是当点击下一页的时候,网页的url没有变,说明网页是动态加载,所以就不能在当前网页找数据了,应该在他的xhr文件里找,所以点入network看看,然后也点击下一页一看,果然有想要的
看到这里,就兴奋地去敲代码了
一点击运行,结果什么东西都没有,但是他的状态码是200,明显请求成功啊,却没有东西返回,再去network仔细看看这个网页,看到他是个post请求,也看到了需要post两个参数params和ensSecKey
一看到这个,密密麻麻的数字和字母,就猜应该是被加密了,不过可以复制下来看看有没有用。接下来看下他的Response,咦,这是个json,不是html结构的,所以需要用到Json库来进行解析
现在开始敲代码吧,先把上面的两个参数复制过来看看。
现在把每条评论的评论用户和点赞数和评论获取出来
可以看到,利用json.loads()方法把数据转成python格式里的字典后就可以把想要的数据取出来了,但是,下一页怎样取?总不能每次都复制粘贴那两个参数吧?那唯一的方法就是不爬了。。怎么可能?我的继续,那我就要进行破解这两个参数了,那好继续看network,因为要加密,肯定要用js进行加密的
看到刚才那个网站的发起者core.js,,然后把它文件下载下来慢慢研究
保存后在经过美化,然后进行查找那个encSecKey参数(ps:JSj'e'tong'yang'de美化网址为http://www.css88.com/tool/js_beautify/),然后找到这个
看到window.asrsea()方法有四个参数,先不去管这个函数,先看看他的四个参数是什什,这里没必要去研究那四个参数怎样来的,只需要知道他是什么,那么我们可以加点代码上去让他显示出来,从而利用fiddler来进行调试
加入代码如下
可以分别获取上面的每一个参数,也把那个params获取看看,然后在fiddler上操作如下
完成上面的设置后刷新网页就可以在console上面找到参数信息,如果没有的话这是因为你之前浏览该网页的时候它被缓存了下来,所以要清除缓存文件(在清除浏览器记录里面有)
那个rid有本歌曲的id,明显是与评论有关的,我试着连翻几页后,发现那个offset就是评论偏移数,offset就是(页数-1)*20,total在第一页是true,在其他页是false
同样的方法也得到第二个参数为:010001
第三个参数为:00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f56135fccf695280104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc6935b3ece0462db0a22b8e7
第四个参数为:0CoJUm6Qyw8W8jud
接下来就要看window.asrsea()方法是什么操作的了,还是通过查找js文件可以看到这个
通过研究i是随机获取十六个字符而b函数是AES加密,其中偏移量为0102030405060708,模式为CBC,看回d函数,其中params连续两次加密,第一次加密时,文本为第一个参数。密钥为第四个参数,第二次加密时文本为第一次加密的值,密钥为随机数a。而encSeckey是一个RSA加密,他的公钥是第二个参数,模式是第三个参数,文本为那个随机字符串a
终于分析完了,接着开始敲代码
先来个获取第一页评论的代码
这是获取两个参数的类
这是解析网易云音乐和获取评论的类
然而一点击运行,直接给我报了个错:TypeError: can't concat str to bytes
原来是因为在第二次加密的时候,那个params是个byte类型,所以把他转成字符串类型就可以了
再次点击运行,结果还是报错了:json.decoder.JSONDecodeError: Expecting value: line 1 column 1 (char 0)
这个报错因为我的json解析错了,回头调试一看,网页返回的东西是空的,但他的状态码是200,这是什么鬼?接着我再试了把那两个参数的值直接复制和前面一样看看,结果运行成功,这就说明我的是加密过程错了,然后我就回去看了几篇,看不出什么错误,上网百度找到了这个知乎文章https://zhuanlan.zhihu.com/p/32069543,我把她的代码复制过来运行下,结果是可以的,我就继续看看我和她的区别,原来我在用那个16个随机字符的时候用错了,我在两个参数给了两个不同的,而是需要给共同一个的,看到这里,我就直接回去改了下,果然运行成功,代码我就不贴出来了,效果如下
接着是获取每一页的评论,而每一页与第一个参数的offset有关,其中的公式为offse=(页数-1)*20,total在第一页是true,在其他页是false
而写入数据库我用的是我这篇文章的操作
http://mp.weixin.qq.com/s/6sQ_ER39P2NtXaPOnGdQNA
,由于篇幅过长,就不贴出来了,感兴趣的可以去看看
接下来点运行就可以了,但是运行到第八页的时候出现了这个异常
raise errorclass(errno, errval)
pymysql.err.InternalError: (1366, "Incorrect string value: '\\xF0\\x9F\\x92\\x94' for column 'content' at row 1")
原因是这条评论有个识别不了的表情,之后百度参考这篇文章http://blog.csdn.net/HHTNAN/article/details/76769264?locationNum=9&fps=1修改了数据库的编码方式,注意还要自己修改下创建数据库时的编码方式才可!
这是首页数据库效果
获取完成(家驹的歌评论这么少吗?不解)
终于完成了,虽然辛苦,但是值得,在这个过程中也学会了很多东西,因为自己还没有学数据分析,所以就先把数据放在数据库里面,等到学了再进行分析,在爬这个评论时最好自己用代理ip爬,防止网易云把你的ip封了,让你听歌都听不了。在写这篇文章时参考了两篇文章,一个是知乎首个回答https://www.zhihu.com/question/36081767/answer/140287795,另一个就是解密过程https://github.com/cosven/cosven.github.io/issues/30
大家有什么问题的话欢迎在下方留言,我知道的我都一一为你解答,最后,若你也在这篇文章学到了,可以帮我点个赞,转发下吗?谢谢支持哈!
获取本文代码方式:关注Python爱好者社区,回复网易云
赞赏作者
Python爱好者社区历史文章大合集:
Python爱好者社区历史文章列表(每周append更新一次)
“Python爱好者社区”,开始学习Python课程:
关注后在公众号内回复“课程”即可获取:
小编的Python入门视频课程!!!
崔老师爬虫实战案例免费学习视频。
丘老师数据科学入门指导免费学习视频。
陈老师数据分析报告制作免费学习视频。
玩转大数据分析!Spark2.X+Python 精华实战课程免费学习视频。
丘老师Python网络爬虫实战免费学习视频。
Copyright © 2023 All Rights Reserved 版权所有 网络音乐文化组