因为是 A jax异步请求(滑动有新内容出来那种 或者 点击加载更多那种) 数据
这里采用了 fiddler 经行抓包 获取数据 fiddle的安装可以看这里
1.进行抓包后 得到 url 后在经行 url 的分析找出规律
这是得到的前几个 url 本来最后还有 一些东西 但是我检测后 发现 不要后面的数字也可以定位到网页
这里可以看到 他们的 cursor明显不同 说明关键的规律就在这里了
但是这个规律,我当时也是不知道怎么下手 就 去搜了一哈 就是这里
然后下面我一样操作了后发现 可能反爬更新了 这里并不是 last 是下一个的sursor 但是效果确实一样的
这是接下来的图
然后url 规律有了后 就可以开始爬取了
#构建一个 ua_ip 函数
def ua_ip(myurl):
from urllib import request
import random
try:
# 1.建立用户代理池
# 1.1建立一个 用户池
agents = [
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 BIDUBrowser/8.3 Safari/537.36",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.80 Safari/537.36 Core/1.47.277.400 QQBrowser/9.4.7658.400",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36 SE 2.X MetaSr 1.0"
]
# 1.2 封装一个函数 来保存 头部信息
def ua():
a = random.choice(agents)
headers = {"User-Agent": a}
print("当前use_agent:",headers)
return headers
# 2.建立ip代理池
# 2.1 建立一个ip池
ips = [
"34.203.248.159:80",
"140.82.42.10:80",
"34.203.248.159:80",
"136.243.254.196:80"
]
#使用时要自己填重新填ip
# 2.2 封装函数 换ip
def ippools():
b = random.choice(ips)
print('当前ip:',b)
proxy = request.ProxyHandler({"http": b})
opener = request.build_opener(proxy, request.HTTPHandler)
request.install_opener(opener) #安装为全局变量
ippools()
thisheaders = ua()
rep = request.Request(myurl, headers=thisheaders)
resp = request.urlopen(rep) # 得到的是网页源代码的内容
text = resp.read().decode('utf-8', 'ignore')
#print(len(text)) # 这步可以在经行检验是爬取成功
#print(text)
return text #这步检验后 返回数据
except Exception as err:
print(err)
#自动爬取 A jax异步请求(滑动有新内容出来那种 或者 点击加载更多那种) 数据
#爬取腾讯视频评论
from uaip import *
import re
import time
def cursor(url): #从得到的url网页源代码中 在不断提取 last
text = ua_ip(url)
pat = '"last":"(.*?)"' #返回一个列表
txt = re.compile(pat).findall(text)
return txt
def urll(cursor): #通过得到的上一个网页提出的 last 对应的 来组合成新的 url
url='https://video.coral.qq.com/varticle/6271326057/comment/v2?callback=_varticle6271326057commentv2&orinum=10&oriorder=o&pageflag=1&cursor='+str(cursor)+'&orirepnum=2&reporder=o&reppageflag=1&source=132'
return url
try:
urls=[]
url1='https://video.coral.qq.com/varticle/6271326057/comment/v2?callback=_varticle6271326057commentv2&orinum=10&oriorder=o&pageflag=1&cursor=0&orirepnum=2&reporder=o&reppageflag=1&source=132'
urls.append(url1) #这里是我没有找到第一页得url与其他的规律 所以建一个空列表 把它存进去
url='https://video.coral.qq.com/varticle/6271326057/comment/v2?callback=_varticle6271326057commentv2&orinum=10&oriorder=o&pageflag=1&cursor=0&orirepnum=2&reporder=o&reppageflag=1&source=132'
#print(cursor(url))
for i in range(1,3):
last=cursor(url)
last=last[0]
url=urll(last)
urls.append(url)
time.sleep(2)
#print(urls)
#得到 url的一个列表 urls
for j in range(0,len(urls)):
text=ua_ip(urls[j])
pat='"content":"(.*?)"'
txt=re.compile(pat).findall(text)
#print(txt[0])
for k in range(0,len(txt)):
fh=open("F:\\一个项目\\一个项目\\腾讯视频评论\\"+"第"+str(j+1)+"页"+"第"+str(k)+"条评论.txt","w",encoding='utf-8')
fh.write(txt[k])
fh.close()
time.sleep(2)
print("爬取成功")
except Exception as err:
print(err)