python 爬取腾讯视频评论的实现步骤

目录

• 一、网址分析

• 二、代码编写

• 三、遇到的问题

• 1. 获取评论的时候也将子评论爬虫进去了。

• 2. 获取全部评论数，直接通过 requests 获取不到

• 3. 评论总数数据太大

• 4. 报错'utf-8' codec can't decode byte 0xff in position 1: invalid start byte

• 四、完整代码

一、网址分析

查阅了网上的大部分资料，大概都是通过抓包获取。但是抓包有点麻烦，尝试了F12，也可以获取到评论。以电视剧《在一起》为例子。评论最底端有个查看更多评论猜测过去应该是 Ajax 的异步加载。
网上的大部分都是构建评论的网址，通过 requests 获取，正则表达式进行数据处理。本文也利用该方法进行数据处理，其实利用 scrapy 会更简单。
根据前辈给出的经验，顺利找到了评论所在的链接。

在新标签中打开，该网址的链接。

评论都在"content":"xxxxx"里面，所有可以通过正则表达式获取。
那么现在要开始构建网址，找到其规律。
在查找评论链接的过程中无意发现，点击影评旁边的评论总数，可以获取到更为干净的评论界面。结果是一样的。

既然是要爬取所有的评论，所以知道评论数是必不可少的。

再通过F12获取到评论链接，找到网址的规律，构建网址，加载三四个评论就行了。这里加载了四个网址。把所有网址复制到文本文件中，进行对比分析。

观察发现只有 cursor 和 source 进行了改变，其他是不变的，二 source 是在第一个的基础上进行加一操作，所以只需要获取到 cursor 即可。我们打开一个评论链接的网址，我们可以知道，cursor 其实是上一页 最后一个用户的ID码。所以我们只需要在爬取上一页的时候一起爬虫了。然后就可以构建网址。

二、代码编写

这个代码还是简单的。套用之前上课做的模板就可以直接进行爬虫了。
通过正则表达式获取评论，返回一个列表；
正则表达式获得的 cursor 码是列表，所以要转化为字符串使用；
source 很简单了，直接在上一个的基础上加一即可。

def getComment(html): # 爬取单页评论

findeComment = re.compile(r'"content":"(.*?)"', re.S)
comment = re.findall(findeComment, html)
# print(comment)
return comment

def getCursor(html): # 获取下一页的cursor码
findeCursor = re.compile(r'"last":"(.*?)"', re.S)
cursor = re.findall(findeCursor, html)[0]
# print(cursor)
return cursor

def getSource(source): # 获取下一页的source码
source = int(source) + 1
return str(source)

有点难度的可能就送弄代理吧，但是代理可以模仿网上其他人的写法，所以还是不是很难。

#添加用户代理

def ua(uapools):
thisua = random.choice(uapools)
# print(thisua)
headers = ("User-Agent", thisua)
opener = urllib.request.build_opener()
opener.addheaders = [headers]
# 设置为全局变量
urllib.request.install_opener(opener)

三、遇到的问题

1. 获取评论的时候也将子评论爬虫进去了。

仔细查看了源码，发现评论主要在 data 下面的 oriCommList 列表里，其他范围的评论为子评论。个人认为子评论也算有效评论，目前不打算处理。

2. 获取全部评论数，直接通过 requests 获取不到

尝试了 xpath 和 requests 发现不能获取全部评论数，所以目前只能通过 selenium 获取，但是 selenium 效率太低了，就获取一个评论总数，还不如打开源码直接修改评论总数，所以暂时没有修改

3. 评论总数数据太大

因为之前爬虫过很多网站，同一个 user-agent 很容易被 ban ，所以目前构建了用户代理，然后进行随机。其实还想加一个 ip 代理的，但是使用了 ip 代理的网址，上面写的正常的 ip ，在使用的时候，拒绝连接。也尝试过构建代理池。但是代理池一般都是使用docker 和 Redis 进行获取。暂时没有选用，之选用了用户代理，然后在获取 headers 的时候加个 time.sleep(1)。目前还是正常的。

4. 报错'utf-8' codec can't decode byte 0xff in position 1: invalid start byte

遇到这个问题，实在无语，我怀疑后面的评论是新出的 emjoy，然后utf-8不能识别，程序挂掉了。但是选取其他格式，在解释的过程估计还会挂掉，就暂时爬到1万条吧。

四、完整代码

代码仓库

来源：https://www.cnblogs.com/Lin1031/p/14409075.html#/c/subject/p/14409075.html