如何用 Python 爬取网易云音乐的 10w+ 评论?附详细代码解读

微信扫一扫,分享到朋友圈

如何用 Python 爬取网易云音乐的 10w+ 评论?附详细代码解读

在简单学习了Python爬虫之后,我的下一个目标就是网易云音乐。因为本人平时就是用它听的歌,也喜欢看歌里的评论,所以本文就来爬一爬网易云音乐的评论吧!

正式进入主题

首先是找到目标网页并分析网页结构,具体如下:

上面的三个箭头就是要找的数据,分别是评论用户、评论和点赞数,都可以用正则表达式找到。接下来用开发者工具继续找下一页的数据,这时候会遇到一个问题,点击下一页的时候网页URL没有变,即说明该网页是动态加载,所以就不能在当前网页找数据了,而应该在XHR文件里找,所以点入Network,再点击下一页,果然有我们想要的。

看到这里,就可以兴奋地去敲代码了。

点击运行,却没有得到任何返还结果,这是为何?它的状态码是200,明显请求已成功,却没有东西返回。再去Network仔细看看这个网页,可以看到它是个Post请求,也看到了需要Post两个参数params和ensSecKey。

很明显,这个密密麻麻的数字和字母应该是被加密了,不过可以复制下来看看有没有用。接下来看下它的Response,因为是Json而不是Html结构的,所以现在需要用到Json库来进行解析。

现在开始敲代码吧,先把上面的两个参数复制过来看看:

现在把每条评论的评论用户、点赞数和评论获取出来:

可以看到,利用json.loads()方法把数据转成Python格式里的字典后就可以把想要的数据取出来了。但是,下一页怎样取?总不能每次都复制粘贴那两个参数吧?那唯一的方法就是不爬了?

所以想要继续的话,就只能破解这两个参数了。那下面继续看Network,因为加密肯定要用JS进行加密的。

看到刚才那个网站的发起者是core.js,把它的文件下载下来慢慢研究。

可以看到window.asrsea()方法有四个参数。先不去管这个函数,先看看它的四个参数是什么(这里没必要去研究那四个参数是怎样来的,只需要知道它们分别是什么)。那么可以加点代码让它显示出来,从而利用fiddler调试。

加入的代码如下:

可以分别获取上面的每一个参数,也把那个params获取看看,然后在fiddler上操作如下:

完成上面的设置后刷新网页就可以在console上面找到参数信息,如果没有的话这是因为你之前浏览该网页的时候它被缓存了下来,所以要清除缓存文件(在清除浏览器记录里面有)。

那个rid有本歌曲的id,明显是与评论有关的。我试着连翻几页后,发现offset就是评论偏移数,offset就是(页数-1)*20,total在第一页是true,在其他页是false。

到第二个参数为:010001。第三个参数为:00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f56135fccf695280104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc6935b3ece0462db0a22b8e7。第四个参数为:0CoJUm6Qyw8W8jud。

小编给大家推荐一个学习氛围超好的地方,python交流企鹅裙:【611+530+101】适合在校大学生,小白,想转行,想通过这个找工作的加入。裙里有大量学习资料,有大神解答交流问题,每晚都有免费的直播课程

找到操作方法

接下来就要看window.asrsea()方法是什么操作的了,通过查找JS文件可以看到这个:

通过研究i是随机获取的十六个字符,而b函数是AES加密,其中偏移量为0102030405060708,模式为CBC。看回d函数,其中params连续两次加密,第一次加密时,文本为第一个参数,密钥为第四个参数;第二次加密时文本为第一次加密的值,密钥为随机数a。而encSeckey是一个RSA加密,它的公钥是第二个参数,模式是第三个参数,文本为那个随机字符串a。

开始敲代码

终于分析完了,下面开始敲代码。先来个获取第一页评论的代码,这是获取两个参数的类:

这是解析网易云音乐和获取评论的类:

但是一点击运行,直接给我报了个错:TypeError: can’t concat str to bytes。

原来是因为在第二次加密的时候,那个params是个byte类型,所以把它转成字符串类型就可以了:

再次点击运行,结果还是报错了:json.decoder.JSONDecodeError: Expecting value: line 1 column 1 (char 0)。

这个报错是因为我的Json解析错了,回头调试一看,网页返回的东西是空的,但它的状态码还是200。这是什么鬼?

接着我再试了把那两个参数的值直接复制和前面一样看看,结果运行成功,这就说明是我的加密过程错了。然后我就回去看了几遍,仍没有看出什么错误,后来我上网百度找到了这个知乎文章https://zhuanlan.zhihu.com/p/32069543,我把她的代码复制过来运行下,结果是可以的。我就继续看看我和她的区别,原来我在用那个16个随机字符的时候用错了,对两个参数给了两个不同的,但其实是需要给同一个的。看到这里,我就直接回去改了下,果然运行成功。效果如下:

获取每一页的评论

接着是获取每一页的评论。每一页与第一个参数的offset有关,其中的公式为offse=(页数-1)*20,total在第一页是true,在其他页是false。

而写入数据库我用的是我在

这篇文章

中写到过的操作。由于篇幅过长,就不贴出来了,感兴趣的可以去看看。接下来点运行就可以了,但是运行到第八页的时候出现了这个异常:

raise errorclass(errno, errval)

pymysql.err.InternalError: (1366, “Incorrect string value: ‘xF0x9Fx92x94’ for column ‘content’ at row 1”)

原因是这条评论有个识别不了的表情。之后参考其他文章,修改了数据库的编码方式,注意还要自己修改下创建数据库时的编码方式才可以!

这是首页数据库效果:

获取完成(家驹的歌评论这么少吗?不解):

微信扫一扫,分享到朋友圈

如何用 Python 爬取网易云音乐的 10w+ 评论?附详细代码解读

Grails - loading the body being called after the script method

上一篇

Leetcode第21题至第30题 思路分析及C++实现

下一篇

你也可能喜欢

如何用 Python 爬取网易云音乐的 10w+ 评论?附详细代码解读

长按储存图像,分享给朋友