python 爬取騰訊視頻評論的實現步驟
查閱了網上的大部分資料，大概都是通過抓包獲取。但是抓包有點麻煩，嘗試了F12，也可以獲取到評論。以電視劇《在一起》為例子。評論最底端有個查看更多評論猜測過去應該是 Ajax 的異步加載。網上的大部分都是構建評論的網址，通過 requests 獲取，正則表達式進行數據處理。本文也利用該方法進行數據處理，其實利用 scrapy 會更簡單。根據前輩給出的經驗，順利找到了評論所在的鏈接。
在新標簽中打開，該網址的鏈接。
評論都在'content':'xxxxx'里面，所有可以通過正則表達式獲取。那么現在要開始構建網址，找到其規律。在查找評論鏈接的過程中無意發現，點擊影評旁邊的評論總數，可以獲取到更為干凈的評論界面。結果是一樣的。
既然是要爬取所有的評論，所以知道評論數是必不可少的。
再通過F12獲取到評論鏈接，找到網址的規律，構建網址，加載三四個評論就行了。這里加載了四個網址。把所有網址復制到文本文件中，進行對比分析。
觀察發現只有 cursor 和 source 進行了改變，其他是不變的，二 source 是在第一個的基礎上進行加一操作，所以只需要獲取到 cursor 即可。我們打開一個評論鏈接的網址，我們可以知道，cursor 其實是上一頁 最后一個用戶的ID碼。所以我們只需要在爬取上一頁的時候一起爬蟲了。然后就可以構建網址。
這個代碼還是簡單的。套用之前上課做的模板就可以直接進行爬蟲了。通過正則表達式獲取評論，返回一個列表；正則表達式獲得的 cursor 碼是列表，所以要轉化為字符串使用；source 很簡單了，直接在上一個的基礎上加一即可。
def getComment(html): # 爬取單頁評論 findeComment = re.compile(r’'content':'(.*?)'’, re.S) comment = re.findall(findeComment, html) # print(comment) return commentdef 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 cursordef getSource(source): # 獲取下一頁的source碼 source = int(source) + 1 return str(source)
有點難度的可能就送弄代理吧，但是代理可以模仿網上其他人的寫法，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] # 設置為全局變量 urllib.request.install_opener(opener)三、遇到的問題1. 獲取評論的時候也將子評論爬蟲進去了。
仔細查看了源碼，發現評論主要在 data 下面的 oriCommList 列表里，其他范圍的評論為子評論。個人認為子評論也算有效評論，目前不打算處理。
嘗試了 xpath 和 requests 發現不能獲取全部評論數，所以目前只能通過 selenium 獲取，但是 selenium 效率太低了，就獲取一個評論總數，還不如打開源碼直接修改評論總數，所以暫時沒有修改
3. 評論總數數據太大因為之前爬蟲過很多網站，同一個 user-agent 很容易被 ban ，所以目前構建了用戶代理，然后進行隨機。其實還想加一個 ip 代理的，但是使用了 ip 代理的網址，上面寫的正常的 ip ，在使用的時候，拒絕連接。也嘗試過構建代理池。但是代理池一般都是使用docker 和 Redis 進行獲取。暫時沒有選用，之選用了用戶代理，然后在獲取 headers 的時候加個 time.sleep(1)。目前還是正常的。
4. 報錯’utf-8’ codec can’t decode byte 0xff in position 1: invalid start byte遇到這個問題，實在無語，我懷疑后面的評論是新出的 emjoy，然后utf-8不能識別，程序掛掉了。但是選取其他格式，在解釋的過程估計還會掛掉，就暫時爬到1萬條吧。
代碼倉庫
以上就是python 爬取騰訊視頻評論的實現步驟的詳細內容，更多關于python 爬取騰訊視頻評論的資料請關注好吧啦網其它相關文章！
相關文章：
網公網安備