Python爬取网易云音乐评论
前言
上篇爬取喜马拉雅FM音频的最后也提到过，这回我们爬取的就是网易云音乐的热评+评论。本人用了挺久的网易云，也是非常喜欢...闲话不多说，跟着我的思路来看看如何爬取网易云的热评+评论~
目标
本次我们爬取的目标是--网易云音乐歌曲的热评以及普通评论
我们知道网易云音乐有很多的歌单，那么我们的思路就是，从这些歌单入手，遍历歌单，遍历歌单中的歌曲
这里我选取的是最新歌单，大概看了下最后有100页这样的歌单，每页35个歌单
https://music.163.com/#/discover/playlist/?order=new
这里写图片描述
接下来我们来对一个歌单进行分析
https://music.163.com/#/playlist?id=2294381226
这里写图片描述
我们点击其中的一首歌曲：
https://music.163.com/#/song?id=26075485
既然我们要获取歌曲的评论，那么我们通过开发者工具来看看，这些评论在哪里
根据我们的经验，我们在XHR中找到了这些动态加载的评论
这里写图片描述
我们可以看到，在 R_SO_4_26075485?csrf_token=中，包含了comments以及hotComments，这两个分别对应的是最新评论以及热门评论
我们可以发现，这些评论是通过向
https://music.163.com/weapi/v1/resource/comments/R_SO_4_26075485?csrf_token=
发起post请求得到的，期间还传入两个参数，params 和 encSecKey
这里写图片描述
这里写图片描述
也就是说我们只要通过模拟浏览器向网易云服务器发送post请求就能获得评论！
这里还要注意这个post的链接，R_SO_4_ 之后跟的一串数字实际上就是这首歌曲对应的id；而且这里需要传入的参数，也得好好分析一下（在后面）
所以现在目标就是：找到最新的所有歌单 -> 对每一个歌单，遍历其中的所有歌曲，获取网页源码中的所存在歌曲的id->对每一个首歌曲通过其id，向服务器post请求(带上参数)，得到想要的评论
开始动刀
第一步
代码如下：
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'
}
baseUrl = 'https://music.163.com'
def getHtml(url):
r = requests.get(url, headers=headers)
html = r.text
return html
def getUrl():
#从最新歌单开始
startUrl = 'https://music.163.com/discover/playlist/?order=new'
html = getHtml(startUrl)
pattern =re.compile('<li>.*?<p.*?class="dec">.*?<.*?title="(.*?)".*?href="(.*?)".*?>.*?span class="s-fc4".*?title="(.*?)".*?href="(.*?)".*?</li>',re.S)
result = re.findall(pattern,html)
#获取歌单总页数
pageNum = re.findall(r'<span class="zdot".*?class="zpgi">(.*?)</a>',html,re.S)[0]
info = []
#对第一页的歌单获取想要的信息
for i in result:
data = {}
data['title'] = i[0]
url = baseUrl+i[1]
print url
data['url'] = url
data['author'] = i[2]
data['authorUrl'] = baseUrl+i[3]
info.append(data)
#调用获取每个歌单里的歌曲的方法
getSongSheet(url)
time.sleep(random.randint(1,10))
#这里暂时获取第一页的第一个歌单，所以用break
break
这里应该很好理解，获取网页源码内歌单的信息，但是要注意，如果直接get
https://music.163.com/#/discover/playlist/?order=new
是获取不到歌单信息的，这也是网易云一个有趣的地方，我们在爬取的时候，需要把 # 删了才可
https://music.163.com/discover/playlist/?order=new
这样就可以看到
这里写图片描述
第二步
def getSongSheet(url):
#获取每个歌单里的每首歌的id，作为接下来post获取的关键
html = getHtml(url)
result = re.findall(r'<li><a.*?href="/song\?id=(.*?)">(.*?)</a></li>',html,re.S)
result.pop()
musicList = []
for i in result:
data = {}
headers1 = {
'Referer': 'https://music.163.com/song?id={}'.format(i[0]),
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'
}
musicUrl = baseUrl+'/song?id='+i[0]
print musicUrl
#歌曲url
data['musicUrl'] = musicUrl
#歌曲名
data['title'] = i[1]
musicList.append(data)
postUrl = 'https://music.163.com/weapi/v1/resource/comments/R_SO_4_{}?csrf_token='.format(i[0])
param = {
'params': get_params(1),
'encSecKey': get_encSecKey()
}
r = requests.post(postUrl,data = param,headers = headers1)
total = r.json()
# 总评论数
total = int(total['total'])
comment_TatalPage = total/20
# 基础总页数
print comment_TatalPage
#判断评论页数，有余数则为多一页，整除则正好
if total%20 != 0:
comment_TatalPage = comment_TatalPage+1
comment_data,hotComment_data = getMusicComments(comment_TatalPage, postUrl, headers1)
#存入数据库的时候若出现ID重复，那么注意爬下来的数据是否只有一个
saveToMongoDB(str(i[1]),comment_data,hotComment_data)
print 'End!'
else:
comment_data, hotComment_data = getMusicComments(comment_TatalPage, postUrl, headers1)
saveToMongoDB(str(i[1]),comment_data,hotComment_data)
print 'End!'
time.sleep(random.randint(1, 10))
break
这一步的目的就是获取歌单里歌曲的id，遍历对每一个歌曲（即对应的id），获取其歌曲的url，歌曲名；
根据id，构造postUrl 通过对第一页的post（关于如何post得到想要的信息，在后面会讲到），获取评论的总条数，及总页数；
以及调用获取歌曲评论的方法；
这里还有一个判断，根据评论总条数除以每页20条的评论，判断是否有余数，可以获得最终评论的总页数，并且我们也可以发现，热门评论只在第一页
第三步
def getMusicComments(comment_TatalPage ,postUrl, headers1):
commentinfo = []
hotcommentinfo = []
# 对每一页评论
for j in range(1, comment_TatalPage + 1):
# 热评只在第一页可抓取
if j == 1:
#获取评论
r = getPostApi(j , postUrl, headers1)
comment_info = r.json()['comments']
for i in comment_info:
com_info = {}
com_info['content'] = i['content']
com_info['author'] = i['user']['nickname']
com_info['likedCount'] = i['likedCount']
commentinfo.append(com_info)
hotcomment_info = r.json()['hotComments']
for i in hotcomment_info:
hot_info = {}
hot_info['content'] = i['content']
hot_info['author'] = i['user']['nickname']
hot_info['likedCount'] = i['likedCount']
hotcommentinfo.append(hot_info)
else:
r = getPostApi(j, postUrl, headers1)
comment_info = r.json()['comments']
for i in comment_info:
com_info = {}
com_info['content'] = i['content']
com_info['author'] = i['user']['nickname']
com_info['likedCount'] = i['likedCount']
commentinfo.append(com_info)
print u'第'+str(j)+u'页爬取完毕...'
time.sleep(random.randint(1,10))
print commentinfo
print '\n-----------------------------------------------------------\n'
print hotcommentinfo
return commentinfo,hotcommentinfo
传入三个参数，分别为comment_TatalPage ,postUrl, headers1，对应评论总页数，postUrl就是postUrl...以及请求头
对第一页获取热评以及评论，对其他页获取普通评论；以及获取其他数据，添加到列表中
第四步
下面我们就来看看令人头疼的post部分！...
# offset的取值为:(评论页数-1)*20,total第一页为true，其余页为false
# first_param = '{rid:"", offset:"0", total:"true", limit:"20", csrf_token:""}' # 第一个参数
# 第二个参数
second_param = "010001"
# 第三个参数
third_param = "00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f56135fccf695280104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc6935b3ece0462db0a22b8e7"
# 第四个参数
forth_param = "0CoJUm6Qyw8W8jud"
# 获取参数
def get_params(page): # page为传入页数
iv = "0102030405060708"
first_key = forth_param
second_key = 16 * 'F'
if(page == 1): # 如果为第一页
first_param = '{rid:"", offset:"0", total:"true", limit:"20", csrf_token:""}'
h_encText = AES_encrypt(first_param, first_key, iv)
else:
offset = str((page-1)*20)
first_param = '{rid:"", offset:"%s", total:"%s", limit:"20", csrf_token:""}' %(offset,'false')
h_encText = AES_encrypt(first_param, first_key, iv)
h_encText = AES_encrypt(h_encText, second_key, iv)
return h_encText
# 获取 encSecKey
def get_encSecKey():
encSecKey = "257348aecb5e556c066de214e531faadd1c55d814f9be95fd06d6bff9f4c7a41f831f6394d5a3fd2e3881736d94a02ca919d952872e7d0a50ebfa1769a7a62d512f5f1ca21aec60bc3819a9c3ffca5eca9a0dba6d6f7249b06f5965ecfff3695b54e1c28f3f624750ed39e7de08fc8493242e26dbc4484a01c76f739e135637c"
return encSecKey
# 加密过程
def AES_encrypt(text, key, iv):
pad = 16 - len(text) % 16
text = text + pad * chr(pad)
encryptor = AES.new(key, AES.MODE_CBC, iv)
encrypt_text = encryptor.encrypt(text)
encrypt_text = base64.b64encode(encrypt_text)
return encrypt_text
#获取post得到的Json
def getPostApi(j ,postUrl, headers1):
param = {
# 获取对应页数的params
'params': get_params(j),
'encSecKey': get_encSecKey()
}
r = requests.post(postUrl, data=param, headers=headers1)
return r
这里的getPostApi函数传入的三个参数分别为，页数(因为每页的post附带的参数params不相同)，postURL以及请求头；
这里data=param，就是需要的参数
这里写图片描述
很明显是加密过的，这里简单的介绍一下
首先我想到的是利用fiddler抓包，结果没有什么区别，随后我参考了
http://www.cnblogs.com/lyrichu/p/6635798.html
作者提到的这位...平胸小仙女...
https://www.zhihu.com/question/36081767/answer/140287795
以及
https://www.zhihu.com/question/21471960
中 路人甲大哥的分享
把core.js 下载到本地，用notepad++分析，这里推荐一个notepad++的插件，可以格式化JavaScript，https://blog.csdn.net/u011037869/article/details/47170653
然后找到我们需要的这两个参数
这里写图片描述
然后在fiddler中重定向core.js，修改本地core.js的内容，可以打印上面的参数，结果第一次可以在控制台看到打印的结果，后来老是报错...
这里写图片描述
随后就是分析JavaScript的代码，这里我直接搬用了生成参数的方法...（果然还是得好好的学一下js！）
AND
别以为这样就可以了！接着我遇到了最糟心的问题：在你导入
from Crypto.Cipher import AES 之后报错！
ImportError: No module named Crypto.Cipher
接着我尝试pip install Crypto 成功后，但这回出现
ImportError: No module named Cipher！！...
最后我找了很多资料，给大家总结一下，如何解决这个问题
-
一般情况下，在pip install Crypto 之后只需在C:\Python27\Lib\site-packages下把crypto改成Crypto就行（但是我的没用）
-
我的最后解决办法就是参考以下，注意我的话安装的是pycrypto
https://blog.csdn.net/teloy1989/article/details/72862108
中的方法自己再安装pycrypto
一开始没有安装Microsoft Visual C++ 9.0
这里写图片描述
出现了报错，随后照着上面博文下载了Microsoft Visual C++ 9.0 后再次安装pycrypto
这里写图片描述
可算成功了！这之后我再导入from Crypto.Cipher import AES就可以正常运行了~
第五步
def saveToMongoDB(musicName,comment_data,hotComment_data):
client = pymongo.MongoClient(host='localhost',port=27017)
db = client['Music163']
test = db[musicName]
test.insert(hotComment_data)
test.insert(comment_data)
print musicName+u'已存入数据库...'
这最后就是将数据存入MongoDB中了，有兴趣的也可以试着存入MySQL中
这里写图片描述
这里写图片描述
if __name__ == '__main__':
getUrl()
这里我是把数据爬完之后一次性存入MongoDB中，可能负担有点大，也可以试着爬取一页存入一页？
有疑问或更好的方法的话，欢迎交流！
下一篇想着爬取APP的，也可能是爬取视频...唉 快放假了...
完整代码可以在我的GitHub上下载~
https://github.com/joelYing/Music163
print('微信公众号搜索 "猿狮的单身日常" ，Java技术升级、虫师修炼，我们 不见不散!')
print('也可以扫下方二维码哦~')
猿狮的单身日常
