pyhton爬取愛豆（李易峰）微博評論

阿新 • • 發佈：2021-06-29

今日目標：微博，以李易峰的微博為例：

https://weibo.com/liyifeng2007?is_all=1

然後進入評論頁面，進入XHR查詢真是地址：

https://weibo.com/aj/v6/comment/big?ajwvr=6&id=4353796790279702&from=singleWeiBo

很明顯，是動態的，抓取也是按我以前寫的那些方法來，就不一一說了，他這裡最重要的還是那串數字，所以我們只要在第一個網址哪裡把那串數字找出來就算成功一半了，這次需要用到re正則，嗯，這個我不擅長，不過沒事，應該還是可以搞到的：

target = 'https://weibo.com/liyifeng2007?is_all=1'
headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.83 Safari/537.36',
    'cookie': 'SUB=_2AkMowDDgf8NxqwJRmPoSyWnqao53ywzEieKenME7JRMxHRl-yT9kqnEjtRB6A0AeDzsLF_aeZGlWOMf4mEl-MBZZXqc_; SUBP=0033WrSXqPxfM72-Ws9jqgMF55529P9D9WWcpq860VQlJcIRRNP9pzqS; SINAGLOBAL=1033839351635.7524.1604108279474; login_sid_t=c071efc77911ceace152df2be5986e09; cross_origin_proto=SSL; WBStorage=8daec78e6a891122|undefined; _s_tentry=-; Apache=8275565331127.246.1604195643561; ULV=1604195643568:3:1:1:8275565331127.246.1604195643561:1604122447982; wb_view_log=1920*10801; UOR=,,editor.csdn.net'
}
 
 
html = requests.get(target,headers=headers).text
 
 
for each in re.findall('<a name=(.*?)date=',html):
    real_id = each.split(" ")[0]
    filename = each.split("\\")[-2].replace('"',"").replace(":",".")
    print(real_id,filename)

輸出如下：

第一個就是我們需要的ID，後面則是發微博的時間，我們用它來做儲存評論資料的檔名稱。

然後我們把ID傳入第二個網址：

comment_url = f'https://weibo.com/aj/v6/comment/big?ajwvr=6&id={real_id}&from=singleWeiBo'

當然這個是抓取熱度的，如你要抓取最新回覆的，需要下面這個：

comment_url = f'https://weibo.com/aj/v6/comment/big?ajwvr=6&id={read_id}&page=1'

拿到這個就簡單了，JSON 資料，直接進json網站解析就行，然後找到我們需要的資料，這裡就直接上程式碼了：

comment_url=f'https://weibo.com/aj/v6/comment/big?ajwvr=6&id={real_id}&page=1'
res=requests.get(comment_url,headers=headers).json()["data"]["html"]
 
 
#提取評論人和評論內容
conmment=re.findall('ucardconf="type=1">(.*?)</div>',res)
 
 
foreachinconmment:
#將內容裡的那些表情替換
each=re.sub('<.*?>','',each)
print(each)

re 不太會用，大家將就著看，主要是能把資料搞到手，這個最重要，哈哈…

對比一下：

把那些表情給去除了，有些只發表情沒法字的就會只顯示名字，這個是正常的，其餘就是一毛一樣了。
資料拿到了，咱們就儲存到本地吧，全部程式碼：

# -*- coding: utf-8 -*-
"""
Created on 2020-11-18
@author: 李運辰
"""
 
 
#https://weibo.com/liyifeng2007?is_all=1
 
 
import requests
import re,os
 
 
url = 'https://s.weibo.com/?topnav=1&wvr=6'
target = 'https://weibo.com/liyifeng2007?is_all=1'
 
 
headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.83 Safari/537.36',
    'cookie': 'SUB=_2AkMowDDgf8NxqwJRmPoSyWnqao53ywzEieKenME7JRMxHRl-yT9kqnEjtRB6A0AeDzsLF_aeZGlWOMf4mEl-MBZZXqc_; SUBP=0033WrSXqPxfM72-Ws9jqgMF55529P9D9WWcpq860VQlJcIRRNP9pzqS; SINAGLOBAL=1033839351635.7524.1604108279474; login_sid_t=c071efc77911ceace152df2be5986e09; cross_origin_proto=SSL; WBStorage=8daec78e6a891122|undefined; _s_tentry=-; Apache=8275565331127.246.1604195643561; ULV=1604195643568:3:1:1:8275565331127.246.1604195643561:1604122447982; wb_view_log=1920*10801; UOR=,,editor.csdn.net'
}
 
 
html = requests.get(target,headers=headers).text
 
 
for each in re.findall('<a name=(.*?)date=',html):
    real_id = each.split(" ")[0]
    filename = each.split("\\")[-2].replace('"',"").replace(":",".")
    # print(real_id,filename)
 
 
    # print(filename)
    for page in range(1,11):
        comment_url = f'https://weibo.com/aj/v6/comment/big?ajwvr=6&id={real_id}&page={page}'
        res = requests.get(comment_url,headers=headers).json()["data"]["html"]
 
 
        # 提取評論人和評論內容
        conmment = re.findall('ucardconf="type=1">(.*?)</div>', res)
        # conmment = re.findall('</i></a>(.*?) </div>', res)
        for each in conmment:
            # 將 內容裡的那些表情替換
            each = re.sub('<.*?>','',each)
            print(each)
            f_name = "./images/"+filename
            with open(f_name+"_李運辰.txt","a",encoding="utf-8") as f:
                f.write(each)
                f.write("\n")

只是測試，所以就只爬了十幾頁：

爬下來後可以自己對比一下：

搞定！！！！