10行代碼爬取微信公眾號文章評論
10 行代碼就能把公眾號文章評論爬下來，有點聳人聽聞?如果我跟你說是用 Python 實現(xiàn)的，你可能會信了，因為 Python 確實很強大，寫個簡單爬蟲真的只要幾行代碼就可以搞定，這次爬的是微信的數(shù)據(jù)，相對來說要麻煩一點。這里討論的是如何爬自己公眾號下面文章的評論，有人說別人文章能抓取嗎?理論上都可以，但凡是你能看到的都可以爬，不過，這篇文章討論的是自己文章，思路都是相通的，希望本文可以給你一些啟迪。
1. 獲取Cookie
因為是爬自己微信號文章里面的評論，首先你需要登錄公眾號后臺，登錄后才能看到文章的評論，登錄就會涉及到 cookie，發(fā)起請求時只有帶上 cookie 才能得到正確的數(shù)據(jù)。所以***步就是把 cookie 信息取到。
打開 Chrome 瀏覽器你會看到發(fā)送請求時會自動把 Cookie 信息發(fā)送給微信，我們就把這段 Cookie 數(shù)據(jù)拷貝出來，用 Python 構(gòu)建一個 Cookie 對象，給 requests 使用。
- from http.cookies import SimpleCookie
- raw_cookie = "gsScrollPos-5517=; ..中間還省略很多... bizuin=2393828"
- cookie = SimpleCookie(raw_cookie)
- requests_cookies = dict([(c, cookie[c].value) for c in cookie])
- r = requests.get(url, cookies=requests_cookies)
2. 構(gòu)造URL
打開任意文章的評論列表，你會發(fā)現(xiàn)它的 URL 結(jié)構(gòu)非常清晰，根據(jù)名字基本能判斷每個參數(shù)的意義，這里比較重要的參數(shù)是 begin，它是作為分頁的起始位置，其實它固定不變就好
- url = "https://mp.weixin.qq.com/misc/appmsgcomment?" \
- "action=list_comment&" \
- "mp_version=7&" \
- "type=0&" \
- "comment_id=2881104117&" \ # 被評論的文章ID
- "begin=0&" \ # 分頁參數(shù)
- "count=10&" \ # 每次返回10條評論
- "token=1300595798&" \
- "lang=zh_CN"
3. 抓取數(shù)據(jù)
把 Cookie 和 URL 都搞清楚了，就可以把模擬瀏覽器抓取數(shù)據(jù)并進行清洗，開始想著用 BeautifulSoup 來解析網(wǎng)頁，結(jié)果失敗了。
查找了原因，把爬下來的頁面另存為 html 文件，在 html 源代碼文件中找留言里面的關(guān)鍵字，發(fā)現(xiàn)評論并沒有在 div 標簽中，而是存在于一段 JS 代碼塊中，看起來像 JSON 數(shù)據(jù)，看來數(shù)據(jù)是在本地用 JavaScript 渲染后顯示的。
于是改用正則表達式，截取需要的數(shù)據(jù)，最終存儲數(shù)據(jù)庫，差不多10代碼搞定。
- def main():
- # 普通留言, 精選留言總數(shù)
- normal_count, selected_count = 141, 100
- # 普通留言url
- normal_url = "https://mp.weixin.qq.com/misc/appmsgcomment?"
- dd = dict([(normal_count, selected_url)])
- for k, v in dd.items():
- crawler(k, v)
- def crawler(count, url):
- for i in range(0, count, 10):
- r = requests.get(url.format(begin=i), cookies=requests_cookies)
- match = re.search(r'"comment":(\[\{.*\}\])', r.text, re.S)
- if match:
- data = json.loads(match.group(1), encoding="utf-8")
- conn.insert_many(data)
- time.sleep(1)
【本文是51CTO專欄作者“劉志軍”的原創(chuàng)文章，作者微信公眾號：Python之禪(VTtalk)】
