多线程获取留言板

前端达闻西

已于 2024-09-11 12:33:22 修改

阅读量387

点赞数 4

文章标签： python 开发语言

于 2024-09-11 12:28:40 首次发布

本文链接：https://blog.csdn.net/DWX_top/article/details/142136591

版权

前言

感慨的和怀念的放不下的只是那一段时间的你们

大师说过：《少去对比，多看自己》

今天就给大家讲一下怎么样爬qq好友空间的留言：

提示：以下是本篇文章正文内容，下面案例可供参考（有三种类型可供选择）

一、分析

1.好友空间需要登陆才能获取，所以我们需要一个cookie
2.然后才能进行我们的一个爬虫

1.获取cookie

进入后先摁下F12，再扫码或者账号密码登录空间。

686be76d4eed1265ff9d654d63bd8968

进入空间后点击先Network，选择All，将滚轮滑到最上面，点击第一个含有你qq号的链接，右边出来以后往下滑找到cookie这里的cookie就是我们需要的了。

dec7988318db70ee1059ea55804d98dd

2.分析含留言内容的url

cookie有了我们就来分析好友留言板的链接。
进入好友空间，并点击留言板，摁下F12，选择XHR，然后把网页滑到最下面点击第二页加载完成后点击第三页然后右边name下就会出现类似的几个网页，这里我们需要的留言内容在一个get_msgb开头的链接下。

3ed9eb82addccccdf262e87a8525ab84

然后再回过头来比较他们的url，这里选择三个相邻的url来作比较。
这里呢我找到两个不同的地方，但是我发现第二个r=后面一串数字好像不加上也没问题，一样请求能得到响应。
那么就来看这第一个不同的地方，这一看是成倍数增长的，那么就可以确定他是(页数-1)*10得来的。

b27a38dc3e727b2bd2fdc0733628eea7

二、代码与效果

1.多线程爬取，保存到txt文本

代码如下（示例）：

# -!- coding: utf-8 -!-
import re
import time
import requests
from threading import Thread #多线程


class Qqspider:

    def __init__(self):
        self.url = 'https://user.qzone.qq.com/proxy/domain/m.qzone.qq.com/cgi-bin/new/get_msgb?uin=#这里是你自己的账号#&hostUin=#好友的账号#&num=10&start={}&hostword=0&essence=1&iNotice=0&inCharset=utf-8&outCharset=utf-8&format=jsonp&ref=qzone&g_tk=1453454822&g_tk=1453454822'  #这里的start一定要={}！！！记得复制粘贴的一定要修改！！！
        self.headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36',
    'cookie':'写入自己空间的cookie',
}
        self.lis = []
        self.f = open('content1.txt','w',encoding='utf-8') #写入一个txt文本

    #请求函数
    def get_html(self,url):
        response = requests.get(url=url,headers=self.headers)
        return response

    #数据解析函数
    def parse_html(self,regex,html):
        content = regex.findall(html)
        for i in content:
            item = {}
            item['qq'] = i[0]
            item['name'] = i[1]
            item['content'] = i[2]
            self.f.write(i[1]+' >>> '+i[2]+'\n')
            print(item)

    #数据提取函数
    def crawl(self,i):
        while self.lis:
            response = self.get_html(self.lis.pop(0)).text
            regex = re.compile('"uin":(.*?),.*?"nickname":"(.*?)",.*?"capacity":.*?,.*?"htmlContent":".*?",.*?"ubbContent":"(.*?)",',re.S)
            self.parse_html(regex,response)
            print('{}完成一個！'.format(i))
            time.sleep(0.2)

    # 创建多线程
    def job(self): 
        jobs = []
        for i in range(16):
            a = Thread(target=self.crawl,args=(i,))
            jobs.append(a)
            a.start()
        [i.join() for i in jobs]

    #主函数
    def run(self):
        for i in range(158): #空间留言的页数
            self.lis.append(self.url.format(i*10))
        self.job()
        self.f.close()


if __name__ == '__main__':
    spider = Qqspider()
    spider.run()

2.多线程爬取，保存到xlsx

优劣：时间快，但爬取顺序是错乱的

代码如下（示例）：

# -!- coding: utf-8 -!-
import re
import time
import requests
from threading import Thread #多线程
import openpyxl

class Qqspider:

    def __init__(self):

        self.url = 'https://user.qzone.qq.com/proxy/domain/m.qzone.qq.com/cgi-bin/new/get_msgb?uin=#这里是你自己的账号#&hostUin=#好友的账号#&num=10&start={}&hostword=0&essence=1&iNotice=0&inCharset=utf-8&outCharset=utf-8&format=jsonp&ref=qzone&g_tk=1453454822&g_tk=1453454822'  #这里的start一定要={}！！！记得复制粘贴的一定要修改！！！
        self.headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36',
    'cookie':'写入自己空间的cookie',
}
        self.lis = []
        self.f = open('content1.txt','w',encoding='utf-8') #写入一个txt文本
        self.workbook = openpyxl.Workbook()

    #请求函数
    def get_html(self,url):
        response = requests.get(url=url,headers=self.headers)
        return response

    #数据解析函数
    def parse_html(self,regex,html):
        content = regex.findall(html)
        # content = regex
        # print('让我看看',html)

        for i in content:
            print(i)

            item = {}
            item['qq'] = i[0]
            item['name'] = i[1]
            item['content'] = i[2]
            item['pubtime'] = i[3]

            self.f.write(i[1]+' >>> '+i[2]+'\n')

            # 获取默认的工作表
            sheet = self.workbook.active
            # 写入数据
            sheet['A1'] = 'qq'
            sheet['B1'] = '姓名'
            # sheet['C1'] = '时间'
            sheet['D1'] = '内容'
            # sheet.append([item['qq'], item['name'],item['pubtime'],item['content']])
            sheet.append([item['qq'], item['name'],item['content']])





    #数据提取函数
    def crawl(self,i):
        while self.lis:
            response = self.get_html(self.lis.pop(0)).text
            regex = re.compile('"uin":(.*?),.*?"nickname":"(.*?)",.*?"ubbContent":"(.*?)"(?:,.*?"pubtime":"(.*?)")?.*?',re.S)
            self.parse_html(regex,response)
            print('{}完成一個1！'.format(i))
            time.sleep(0.1)

    # 创建多线程
    def job(self):
        jobs = []
        for i in range(16):
            a = Thread(target=self.crawl,args=(i,))
            jobs.append(a)
            a.start()
        [i.join() for i in jobs]

    #主函数
    def run(self):
        for i in range(180): #空间留言的页数
            self.lis.append(self.url.format(i*10))

        self.job()
        self.f.close()
        self.workbook.save('example16.xlsx')





if __name__ == '__main__':
    spider = Qqspider()
    spider.run()

3.单线程爬取，保存到xlsx

优劣：时间慢，但可以顺序爬取的，且容易出现卡顿

代码如下（示例）：

# -!- coding: utf-8 -!-
import re
import time
import requests
import openpyxl

class Qqspider:

    def __init__(self):
        self.url = 'https://user.qzone.qq.com/proxy/domain/m.qzone.qq.com/cgi-bin/new/get_msgb?uin=#这里是你自己的账号#&hostUin=#好友的账号#&num=10&start={}&hostword=0&essence=1&iNotice=0&inCharset=utf-8&outCharset=utf-8&format=jsonp&ref=qzone&g_tk=1453454822&g_tk=1453454822'  #这里的start一定要={}！！！记得复制粘贴的一定要修改！！！
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36',
            'cookie': '写入自己空间的cookie',
        }
        self.lis = []
        self.f = open('content1.txt', 'w', encoding='utf-8')  # 写入一个txt文本
        self.workbook = openpyxl.Workbook()

    # 请求函数
    def get_html(self, url):
        response = requests.get(url=url, headers=self.headers)
        return response

    # 数据解析函数
    def parse_html(self, regex, html):
        content = regex.findall(html)

        for i in content:
            print(i)

            item = {}
            item['qq'] = i[0]
            item['name'] = i[1]
            item['content'] = i[2]
            item['pubtime'] = i[3] if len(i) > 3 and i[3] else 'N/A'

            self.f.write(i[1] + ' >>> ' + i[2] + '\n')

            sheet = self.workbook.active
            sheet['A1'] = 'qq'
            sheet['B1'] = '姓名'
            sheet['C1'] = '时间'
            sheet['D1'] = '内容'
            sheet.append([item['qq'], item['name'],item['pubtime'], item['content']])

    # 数据提取函数
    def crawl(self):
        for url in self.lis:
            response = self.get_html(url).text
            regex = re.compile('"uin":(.*?),.*?"nickname":"(.*?)",.*?"ubbContent":"(.*?)"(?:,.*?"pubtime":"(.*?)")?.*?', re.S)
            self.parse_html(regex, response)
            time.sleep(0.1)

    # 主函数
    def run(self):
        for i in range(180):  # 空间留言的页数
            self.lis.append(self.url.format(i*10))

        self.crawl()
        self.f.close()
        self.workbook.save('example21.xlsx')

if __name__ == '__main__':
    spider = Qqspider()
    spider.run()