java如何爬取qq音乐_QQ音乐评论爬取

去年夏天，好像于我而言，重要的事就是毕业来临，从此踏上了搬砖之路，从学校到职场，之间身份的转变，让我又多了一份责任。当然还有一段感情经历，现在回头去看，只能说且行且珍惜，或许以后未必能再遇见！

本次爬取的是QQ音乐的评论信息，作为一名基本不看评论的人，真的羞愧难当。不过音乐嘛，听听就不错啦，哪有闲情雅致去看，又或是去评，毕竟文化水平有限，想想就脑瓜疼。

通过这次爬取，学习了数据库MySQL，因为之前都是在windows上操作，而这回需要在Mac上操作，所以就在Mac上安装了MySQL以及MySQL的管理工具Sequel Pro，最后也是安装成功，数据库连接也没有问题。

接下来创建数据库，表格及主键信息。

import pymysql

# 创建数据库

db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306)

cursor = db.cursor()

cursor.execute("CREATE DATABASE QQ_Music DEFAULT CHARACTER SET utf8mb4")

db.close()

import pymysql

# 创建表格, 设置主键

db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306, db='QQ_Music')

cursor = db.cursor()

sql = 'CREATE TABLE IF NOT EXISTS comments (nike VARCHAR(255) NOT NULL, comment VARCHAR(255) NOT NULL, praisenum INT NOT NULL, comment_id VARCHAR(255) NOT NULL, time VARCHAR(255) NOT NULL, PRIMARY KEY (comment))'

cursor.execute(sql)

db.close()

针对QQ音乐中去年夏天的网页进行分析，查看了所有评论的尾页，发现时间缩水了，因为热评中有一条评论的时间7月12号，而所有评论最后一页的时间却是7月16号。很明显，所有评论并不是货真价实的所有评论，不知这算不算QQ音乐的BUG。

还有一个就是直接点击最后一页的时候，并不能直接返回真正的信息，需要从最后一页往前翻，到了真正的信息页时，然后再往后翻，才能得到最后一页的真正信息。

同样是Ajax请求，确认网址后，分析一下请求头，发现主要是三个参数发生变化：jsoncallback

pagenum

lasthotcommentid

pagenum不难理解，就是页数。jsoncallback经过实验后，发现并不会影响请求，所以设置时无需改动，lasthotcommentid的值对应的是上一页最后一个评论者的ID，所以需要随时改动。

即改变pagenum，lasthotcommentid的值，就可成功实现请求。

爬取代码如下：

import re

import json

import time

import pymysql

import requests

URL = 'https://c.y.qq.com/base/fcgi-bin/fcg_global_comment_h5.fcg?'

HEADERS = {

'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'

}

PARAMS = {

'g_tk': '5381',

'jsonpCallback': 'jsoncallback4823183319594757',

'loginUin': '0',

'hostUin': '0',

'format': 'jsonp',

'inCharset': 'utf8',

'outCharset': 'GB2312',

'notice': '0',

'platform': 'yqq',

'needNewCode': '0',

'cid': '205360772',

'reqtype': '2',

'biztype': '1',

'topid': '213910991',

'cmd': '8',

'needmusiccrit': '0',

'pagenum': '0',

'pagesize': '25',

'lasthotcommentid': '',

'callback': 'jsoncallback4823183319594757',

'domain': 'qq.com',

'ct': '24',

'cv': '101010',

}

LAST_COMMENT_ID = ''

db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306,  db='QQ_Music', charset='utf8mb4')

cursor = db.cursor()

def get_html(url, headers, params=None, tries=3):

try:

response = requests.get(url=url, headers=headers, params=params)

response.raise_for_status()

response.encoding = 'utf-8'

except requests.HTTPError:

print("connect failed")

if tries > 0:

print("reconnect...")

last_url = url

get_html(last_url, headers, tries-1)

else:

print("3 times failure")

return None

return response

def paras_html(html):

data = {}

content = json.loads(html[29:-3])

for item in content['comment']['commentlist']:

data["nike"] = item.get("nick")

data["comment"] = re.sub(r"\\n", " ", item.get("rootcommentcontent"))

data["comment"] = (re.sub(r"\n", " ", data["comment"]))[0:255]

data["praisenum"] = item.get("praisenum")

data["comment_id"] = item.get("commentid")

data["time"] = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(int(item.get("time"))))

yield data

def to_mysql(data):

table = 'comments'

keys = ', '.join(data.keys())

values = ', '.join(['%s'] * len(data))

sql = 'INSERT INTO {table}({keys}) VALUES ({values}) ON DUPLICATE KEY UPDATE'.format(table=table, keys=keys, values=values)

update = ','.join([" {key} = %s".format(key=key) for key in data])

sql += update

try:

if cursor.execute(sql, tuple(data.values())*2):

print('Successful')

except:

print('Failed')

db.rollback()

db.commit()

def main():

first_Links = []

three_Links = []

count = 0

global LAST_COMMENT_ID

for page in range(1045):

if page % 5 == 0:

time.sleep(2)

PARAMS['lastcommentid'] = LAST_COMMENT_ID

PARAMS['pagenum'] = page

if first_Links:

if count >= 3:

three_Links.append(first_Links.pop())

continue

count += 1

response = get_html(first_Links.pop(), HEADERS)

else:

count = 0

response = get_html(URL, HEADERS, PARAMS)

if response:

try:

for item in paras_html(response.text):

to_mysql(item)

print("Successful", response.url)

LAST_COMMENT_ID = item['comment_id']

except TypeError:

print(response.url)

first_Links.append(response.url)

cursor.close()

db.close()

print(three_Links)

if __name__ == '__main__':

main()

最后成功获取评论信息

这里有一个问题，因为请求头是一直变化的，所以可能会错过一些评论页，导致评论获取不完全，这里只需多运行几次代码，或者在主程序加个循环即可，注意要设置下延迟，之后基本上能获取大部分的评论。