网易云音乐的走红跟其丰富的评论有着分不开的关系
我们跳过爬取歌名、歌词、精彩评论的部分,直接讲为什么无法利用普通的方法爬取多页的评论
这是某一首歌的第一页的评论,每一页共有20条评论,每条评论包含评论者的头像、昵称、评论内容、评论时间,因此我们先按照日常的爬取方式查看该页面的元素
但是如果直接以这种方式爬取,获取到的竟然不是我们想要的内容,而是一串乱码(具体我不知道,因为我是小白),所以评论可能采用JS脚本吧(我猜的),所以再查找网络部分的内容,后来找到R_SO_4_446512502?csrf_token=a23d0b9b801e8a0f273f9b1032be963d这个文件,我们可以查看该文件中的内容
刚好有20条评论,因此我可以从这里入手
但是我们可以看到该文件返回时使用的post那么提供的数据为
这里为一页的数据都是不一样的,因此我们要在这个我们需要提供的数据上下功夫,因此我在网上看到了平胸小仙女的方法才焕然大悟。
参考方法:https://www.zhihu.com/question/36081767/answer/140287795
作者:平胸小仙女
链接:https://www.zhihu.com/question/36081767/answer/140287795
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
from Crypto.Cipher import AES
import base64
import requests
import json
headers = {
'Cookie': 'appver=1.5.0.75771;',
'Referer': 'http://music.163.com/'
}
first_param = "{rid:\"\", offset:\"0\", total:\"true\", limit:\"20\", csrf_token:\"\"}"
second_param = "010001"
third_param = "00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f56135fccf695280104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc6935b3ece0462db0a22b8e7"
forth_param = "0CoJUm6Qyw8W8jud"
def get_params():
iv = "0102030405060708"
first_key = forth_param
second_key = 16 * 'F'
h_encText = AES_encrypt(first_param, first_key, iv)
h_encText = AES_encrypt(h_encText, second_key, iv)
return h_encText
def get_encSecKey():
encSecKey = "257348aecb5e556c066de214e531faadd1c55d814f9be95fd06d6bff9f4c7a41f831f6394d5a3fd2e3881736d94a02ca919d952872e7d0a50ebfa1769a7a62d512f5f1ca21aec60bc3819a9c3ffca5eca9a0dba6d6f7249b06f5965ecfff3695b54e1c28f3f624750ed39e7de08fc8493242e26dbc4484a01c76f739e135637c"
return encSecKey
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
def get_json(url, params, encSecKey):
data = {
"params": params,
"encSecKey": encSecKey
}
response = requests.post(url, headers=headers, data=data)
return response.content
在函数get_params()在此处仅是第一页是的数据,因此我们需要的是连续的多页的数据
from Crypto.Cipher import AES
import base64
import requests
class getJsonData():
def __init__(self):
#定义请求头
self.headers = {
'Cookie': 'appver=1.5.0.75771;',
'Referer': 'http://music.163.com/'
}
## offset的取值为:(评论页数-1)*20,total第一页为true,其余页为false
#self.first_param = '{rid:"", offset:"0", total:"true", limit:"20", csrf_token:""}'
#第二个参数
self.second_param = "010001"
#第三个参数
self.third_param = "00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f56135fccf695280104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc6935b3ece0462db0a22b8e7"
#第四个参数
self.forth_param = "0CoJUm6Qyw8W8jud"
#获取参数,page_num为评论页码
def get_params(self, page_num):
iv = "0102030405060708"
first_key = self.forth_param
second_key = 16 * 'F'
#评论页码为第一页时
if page_num == 1:
self.first_param = '{rid:"", offset:"0", total:"true", limit:"20", csrf_token:""}'
#评论页码为其他页时
else:
offset = str((page_num-1)*20)
self.first_param = '{rid:"", offset:"%s", total:"%s", limit:"20", csrf_token:""}' %(offset, 'false')
h_encText = self.AES_encrypt(self.first_param, first_key, iv)
h_encText = self.AES_encrypt(h_encText, second_key, iv)
return h_encText
#获得第二个参数:encSecKey
def get_encSecKey(self):
encSecKey = "257348aecb5e556c066de214e531faadd1c55d814f9be95fd06d6bff9f4c7a41f831f6394d5a3fd2e3881736d94a02ca919d952872e7d0a50ebfa1769a7a62d512f5f1ca21aec60bc3819a9c3ffca5eca9a0dba6d6f7249b06f5965ecfff3695b54e1c28f3f624750ed39e7de08fc8493242e26dbc4484a01c76f739e135637c"
return encSecKey
#解密过程
def AES_encrypt(self, 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
#获取评论的json数据
def get_json(self, url, params, encSecKey):
datas = {"params": params, "encSecKey": encSecKey}
response = requests.post(url, headers=self.headers, data=datas)
return response.content
对原来的代码进行了简单的修改,难免会有错误,但是获得数据是争取的,也可以抓取评论,但是不知为什么经常会遇到抓取到好多页之后会自动停掉,具体的代码没有放,自己摸索一下还是好的!
源码:https://github.com/JustDD/NeteaseMusicSpider.git,里面还有参考实例,参考的地址忘了在哪里了,如果原作者看到,还请联系我,定表明出处。