python爬取網易評論

2019-11-14 16:57:28

字體：大中小

來源：轉載

供稿：網友

學習python不久，最近爬的網頁都是直接源代碼中直接就有的，看到網易新聞的評論時，發現評論時以json格式加載的.....

爬的網頁是習大大2015訪英的評論頁http://comment.news.163.com/news_guonei8_bbs/SPEC0001B60046CG.html

步驟如下：

1.使用谷歌瀏覽器分析網頁首頁加載的數據

打開網頁----按下F12----點擊Network，此時是空的

刷新以后，會出現如下圖：(我以前加載過頁面，所以json數據顯示的不全)

點擊其中的一個json格式的文件，找到url，并在網頁中打開，看看是不是自己想要的數據：

我第一次訪問網頁的時候打了三個，只有一個是并論的內容，首頁的網址為：

http://comment.news.163.com/data/news_guonei8_bbs/df/SPEC0001B60046CG_1.html?_=14455959217790

數據為：

2.其他評論頁

在點擊其他評論頁時，先點擊一下Network中的清除按鈕，方便查找json---從第二頁開始觀察，幾乎都一樣

點擊找到url，并在瀏覽器中打開

數據雖然是亂碼的，在Python中讀取到的是可以正常查看的

3.網址規律

一開始以為網址后面的有什么規律，后來發現去掉也沒影響，

所以只要把頁數換成對應的評論頁就好了(我只能打開34頁??)

4.代碼

注：由于數據開始有變量名，結尾有分號，在使用json.loads(data)時報錯，所以先對數據進行處理

 1 # encoding=utf-8 2  3 import urllib2 4 import json 5 import re 6 import time 7 class JSON(): 8     def __init__(self): 9         self.user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'10         self.headers={'User-Agent':self.user_agent}11         self.url1='http://comment.news.163.com/data/news_guonei8_bbs/df/SPEC0001B60046CG_1.html'12     def getUrls(self,pageIndex):13         url2='http://comment.news.163.com/cache/newlist/news_guonei8_bbs/SPEC0001B60046CG_'+str(pageIndex)+'.html'14         return url215     def getHtml(self,url):16         try:17             request=urllib2.Request(url,headers=self.headers)18             respone=urllib2.urlopen(request)19             html=respone.read()20             return html21         except urllib2.URLError,e:22             if hasattr(e,'reason'):23                 PRint u"連接失敗",e.reason24                 return  None25     #處理字符串，沒有處理干凈的可以再打開文件進行處理26     def strDeal(self,data,pageIndex):27         if pageIndex==1:28             data=data.replace('var replyData=','')29         else:30             data=data.replace('var newPostList=','')31         reg=re.compile("&nbsp;/[<a href=''>")32         data=reg.sub('--',data)33         reg2=re.compile('<////a>/]')#<//a>]的正則?34         data=reg2.sub('',data)35         reg3=re.compile('<br>')36         data=reg3.sub('',data)37         return data38     #解析json數據并存入文件39     def parserJson(self):40         with open('wangyi2.txt','a') as f:41             f.write('用戶ID'+'|'+'評論'+'|'+'點贊數'+'/n')42         for i in range(1,35):43             if i==1:44                 url=self.url145                 data=self.getHtml(url)46                 data=self.strDeal(data,i)[:-1]47                 value=json.loads(data)48                 f=open('wangyi2.txt','a')49 50                 for item in value['hotPosts']:51                     f.write(item['1']['f'].encode('utf-8')+'|')52                     f.write(item['1']['b'].encode('utf-8')+'|')53                     f.write(item['1']['v'].encode('utf-8')+'/n')54                 f.close()55                 print 'sleeping pageload %d/34'%i56                 time.sleep(6)57             else:58                 url=self.getUrls(i)59                 data=self.getHtml(url)60                 data=self.strDeal(data,i)[:-2]61                 # 轉換，一開始得到的數據類型為str，使用json.loads()函數，得到原始數據，此時的value的數據類型為dict，接下來就可以正常訪問字典了。62                 value=json.loads(data)63                 f=open('wangyi2.txt','a')64 65                 for item in value['newPosts']:66                     f.write(item['1']['f'].encode('utf-8')+'|')67                     f.write(item['1']['b'].encode('utf-8')+'|')68                     f.write(item['1']['v'].encode('utf-8')+'/n')69 70                 f.close()71                 print 'sleeping pageload %d/34'%i72                 time.sleep(6)73 74 75 js=JSON()76 js.parserJson()