带你写爬虫（python）第二篇----抓取网易云音乐下面的评论（API方式）

抓取网易云音乐《大学无疆》的评论

一直喜欢使用网易云音乐，网易云歌曲下面的评论给其加分不少，所以这一篇来写一下怎么抓取歌曲下面的评论。

准备工作

- 目标网页：http://music.163.com/#/song?id=520458203（歌曲《大学无疆》）

- API地址：http://music.163.com/api/v1/resource/comments/R_SO_4_520458203

- 开发工具：pycharm

- Python版本：3.6.4

- 所需库：请求库requests，解析库json

爬取过程分析

第一步：根据API获取信息

第二步：解析JSON数据

第三步：使用多进程池获取每一页数据

第一步：抓取页面并分析

我们直接用谷歌浏览器打开目标网页，我们所需要的数据如下所示



按F12打开开发者工具，查看网页中评论的加载情况，找了一圈发现，网易云并没有很简单的直接在网页中显示评论，而是使用AjAx的异步加载方式，点击NetWork，勾选Preview log，选择XHR，我们可以看到如下图所示，我们点击R_SO_4_520458203?csrf_token=这一个Name可以很容易看到评论数据就是在这个请求中加载出来的。



从上图中可以明显看出请求地址是

http://music.163.com/weapi/v1/resource/comments/R_SO_4_520458203?csrf_token=

数据传递方式是POST

然后我们选择Header，直接拖到下面看FormData，如下图所示


这也就是说明，POST方式传输了params和ensSecKey两个参数，明显有加密在里面，这也说明了网易云音乐对反扒做了一定的处理，因为对加密这一部分学习不深，我进行到这感觉进行不下去了，于是去知乎搜到了一个比较好理解的解密方法，传送门：https://www.zhihu.com/question/36081767（选择热门回答中的平胸小仙女和洛克的回答），我一想，这TM做个爬虫这么难啊，还要解谜，算了，不做了，结果发现天无绝人之路，我找到了一个不用解密的评论请求地址，在此感谢知乎：肖飞，传送门：如何爬网易云音乐的评论数？ - 肖飞的回答 - 知乎

不加密请求地址：

http://music.163.com/api/v1/resource/comments/R_SO_4_520458203

后面的数字为需要爬取的音乐的ID。下一篇我们介绍直接解密的方法抓取

第二步：抓取页面并解析

首先导入对应的库

import requests
from requests.exceptions import RequestException
from urllib.parse import urlencode
import json
from multiprocessing import Pool#多进程池

再定义第一个函数get_response(),用来抓取页面

def get_response(offset,limit):
#参数
para = {
'offset':offset,#页数
'limit':limit#总数限制
}
# 歌曲id
musicid = "520458203"  # 《大学无疆》
#歌曲api地址
musicurl = "http://music.163.com/api/v1/resource/comments/R_SO_4_"+musicid+"?"+urlencode(para)
#头结构
headers = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
'Accept-Encoding':'gzip, deflate, sdch',
'Accept-Language':'zh-CN,zh;q=0.8',
'Cache-Control':'max-age=0',
'Connection':'keep-alive',
'Cookie':'vjuids=-13ac1c39b.1620457fd8f.0.074295280a4d9; vjlast=1520491298.1520491298.30; _ntes_nnid=3b6a8927fa622b80507863f45a3ace05,1520491298273; _ntes_nuid=3b6a8927fa622b80507863f45a3ace05; vinfo_n_f_l_n3=054cb7c136982ebc.1.0.1520491298299.0.1520491319539; __utma=94650624.1983697143.1521098920.1521794858.1522041716.3; __utmz=94650624.1521794858.2.2.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; JSESSIONID-WYYY=FYtmJTTpVwmbihVrUad6u76CKxuzXZnfYyPZfK9bi%5CarU936rIdoIiVU50pfQ6JwjGgBvSyZO0%2FR%2BcoboKdPuMztgHCJwzyIgx1ON4v%2BJ2mOvARluNGpRo6lmhA%5CfcfCd3EwdS88sPgxpiiXN%5C6HZZEMQdNRSaHJlcN%5CXY657Faklqdh%3A1522053962445; _iuqxldmzr_=32',
'Host':'music.163.com',
'Upgrade-Insecure-Requests':'1',
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'
}
#代理IP
proxies= {
'http:':'http://121.232.146.184',
'https:':'https://144.255.48.197'
}
try:
#用post方式接收数据
response = requests.post(musicurl,headers=headers,proxies=proxies)
if response.status_code == 200:
return response.content
except RequestException:
print("访问出错")

然后定义一个解析函数parse_return()，由于这个链接返回的是json数据，所以这个解析比较简单

def parse_return(html):
data = json.loads(html)#将返回的值格式化为json
if data.get('hotComments'):
hotcomm = data['hotComments']
print('--------------------------------------------------------------这是热门评论-------------------------------------------------------------------------------')
for hotitem in hotcomm:
hotdata = {
'用户名': hotitem['user']['nickname'],
'用户头像': hotitem['user']['avatarUrl'],
'content': hotitem['content'],
'赞':hotitem['likedCount']
}
print(hotdata)
print('------------------------------------------------------------------------------------------------------------------------------------------------------------')
# else:
#     print('--------------------------------------------------')
if data.get('comments'):
comm = data['comments']
for item in comm:
data = {
'用户名': item['user']['nickname'],
'用户头像': item['user']['avatarUrl'],
'content': item['content'].replace('\r', ' '),
'赞': item['likedCount']
}
print(data)
print('-------------------------------------------------------------------------------------------------------------------------------------------------------------')

然后创建main函数

def main(offset):
gethtml = get_response(offset,200)
parse_return(gethtml)

使用多进程方法抓取全部页面

if __name__ == '__main__':
#多进程池
groups = [x*20 for x in range(0,20)]
pool = Pool()
pool.map(main,groups)
#普通循环方法
# for x in range(0,20):
#    main(x*20)

抓取结果如下



下面贴出全部代码，可以直接运行，只做学习使用

# -*- coding: utf-8 -*-
# @Time    : 2018/3/15 15:27
# @Author  : XueLei
# @Site    :
# @File    : neteasemusic.py
# @Software: PyCharm
#抓取某一首歌下面的评论

import requests
from requests.exceptions import RequestException
from urllib.parse import urlencode
import json
from multiprocessing import Pool#多进程池

def get_response(offset,limit):
#参数
para = {
'offset':offset,#页数
'limit':limit#总数限制
}
# 歌曲id
musicid = "520458203"  # 《大学无疆》
#歌曲api地址
musicurl = "http://music.163.com/api/v1/resource/comments/R_SO_4_"+musicid+"?"+urlencode(para)
#头结构
headers = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
'Accept-Encoding':'gzip, deflate, sdch',
'Accept-Language':'zh-CN,zh;q=0.8',
'Cache-Control':'max-age=0',
'Connection':'keep-alive',
'Cookie':'vjuids=-13ac1c39b.1620457fd8f.0.074295280a4d9; vjlast=1520491298.1520491298.30; _ntes_nnid=3b6a8927fa622b80507863f45a3ace05,1520491298273; _ntes_nuid=3b6a8927fa622b80507863f45a3ace05; vinfo_n_f_l_n3=054cb7c136982ebc.1.0.1520491298299.0.1520491319539; __utma=94650624.1983697143.1521098920.1521794858.1522041716.3; __utmz=94650624.1521794858.2.2.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; JSESSIONID-WYYY=FYtmJTTpVwmbihVrUad6u76CKxuzXZnfYyPZfK9bi%5CarU936rIdoIiVU50pfQ6JwjGgBvSyZO0%2FR%2BcoboKdPuMztgHCJwzyIgx1ON4v%2BJ2mOvARluNGpRo6lmhA%5CfcfCd3EwdS88sPgxpiiXN%5C6HZZEMQdNRSaHJlcN%5CXY657Faklqdh%3A1522053962445; _iuqxldmzr_=32',
'Host':'music.163.com',
'Upgrade-Insecure-Requests':'1',
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'
}
#代理IP
proxies= {
'http:':'http://121.232.146.184',
'https:':'https://144.255.48.197'
}
try:
response = requests.post(musicurl,headers=headers,proxies=proxies)
if response.status_code == 200:
return response.content
except RequestException:
print("访问出错")

#解析返回页
def parse_return(html):
data = json.loads(html)#将返回的值格式化为json
if data.get('hotComments'):
hotcomm = data['hotComments']
print('--------------------------------------------------------------这是热门评论-------------------------------------------------------------------------------')
for hotitem in hotcomm:
hotdata = {
'用户名': hotitem['user']['nickname'],
'用户头像': hotitem['user']['avatarUrl'],
'content': hotitem['content'],
'赞':hotitem['likedCount']
}
print(hotdata)
print('------------------------------------------------------------------------------------------------------------------------------------------------------------')
# else:
#     print('--------------------------------------------------')
if data.get('comments'):
comm = data['comments']
for item in comm:
data = {
'用户名': item['user']['nickname'],
'用户头像': item['user']['avatarUrl'],
'content': item['content'].replace('\r', ' '),
'赞': item['likedCount']
}
print(data)
print('-------------------------------------------------------------------------------------------------------------------------------------------------------------')
def main(offset):
gethtml = get_response(offset,200)
parse_return(gethtml)

if __name__ == '__main__':
# groups = [x*20 for x in range(0,20)]
# pool = Pool()
# pool.map(main,groups)
for x in range(0,20):
main(x*20)