摘要:一定是用Python写的

10 行代码就能把公众号文章评论爬下来,有点耸人听闻?如果我跟你说是用 Python 实现的,你可能会信了,因为 Python 确实很强大,写个简单爬虫真的只要几行代码就可以搞定,这次爬的是微信的数据,相对来说要麻烦一点。这里讨论的是如何爬自己公众号下面文章的评论,有人说别人文章能抓取吗?理论上都可以,但凡是你能看到的都可以爬,不过,这篇文章讨论的是自己文章,思路都是相通的,希望本文可以给你一些启迪。

1、获取Cookie

因为是爬自己微信号文章里面的评论,首先你需要登录公众号后台,登录后才能看到文章的评论,登录就会涉及到 cookie,发起请求时只有带上 cookie 才能得到正确的数据。所以第一步就是把 cookie 信息取到。

[wximg]http://mmbiz.qpic.cn/mmbiz_png/rO1ibUkmNGMnDPOb5aFZnZJryiaggwEXtsCwtVDToYuMPiapnpW2b7PIceFeIwSWnZ9T3ACf4DsALNDL45icJC5ibGA/0?wx_fmt=png[/wximg]

打开 Chrome 浏览器你会看到发送请求时会自动把 Cookie 信息发送给微信,我们就把这段 Cookie 数据拷贝出来,用 Python 构建一个 Cookie 对象,给 requests 使用。

from http.cookies import SimpleCookie
raw_cookie = "gsScrollPos-5517=; ..中间还省略很多... bizuin=2393828"

cookie = SimpleCookie(raw_cookie)
requests_cookies = dict([(c, cookie[c].value) for c in cookie])

r = requests.get(url, cookies=requests_cookies)

2、构造URL

打开任意文章的评论列表,你会发现它的 URL 结构非常清晰,根据名字基本能判断每个参数的意义,这里比较重要的参数是 begin,它是作为分页的起始位置,其实它固定不变就好

url = "https://mp.weixin.qq.com/misc/appmsgcomment?" 
                 "action=list_comment&" 
                 "mp_version=7&" 
                 "type=0&" 
                 "comment_id=2881104117&"  # 被评论的文章ID
                 "begin=0&"   # 分页参数
                 "count=10&"  # 每次返回10条评论
                 "token=1300595798&" 
                 "lang=zh_CN"

3、抓取数据

把 Cookie 和 URL 都搞清楚了,就可以把模拟浏览器抓取数据并进行清洗,开始想着用 BeautifulSoup 来解析网页,结果失败了。

[wximg]http://mmbiz.qpic.cn/mmbiz_png/rO1ibUkmNGMnDPOb5aFZnZJryiaggwEXts6C2XxO04bSjPibranViakUqdWA184o7uRdlefDibQeZo4PduzFW9Jicx3A/0?wx_fmt=png[/wximg]

查找了原因,把爬下来的页面另存为 html 文件,在 html 源代码文件中找留言里面的关键字,发现评论并没有在 div 标签中,而是存在于一段 JS 代码块中,看起来像 JSON 数据,看来数据是在本地用 JavaScript 渲染后显示的。

[wximg]http://mmbiz.qpic.cn/mmbiz_png/rO1ibUkmNGMnDPOb5aFZnZJryiaggwEXtscej9aCbnZpFg1dImWxxicG0icQvP0NnhIz46Cd2Q1icJibsJgRCE8hlibtA/0?wx_fmt=png[/wximg]

于是改用正则表达式,截取需要的数据,最终存储数据库,差不多10代码搞定。

def main():
    # 普通留言, 精选留言总数
    normal_count, selected_count = 141, 100
    # 普通留言url
    normal_url = "https://mp.weixin.qq.com/misc/appmsgcomment?"
    dd = dict([(normal_count, selected_url)])

    for k, v in dd.items():
        crawler(k, v)

def crawler(count, url):
    for i in range(0, count, 10):
        r = requests.get(url.format(begin=i), cookies=requests_cookies)
        match = re.search(r'"comment":([{.*}])', r.text, re.S)
        if match:
            data = json.loads(match.group(1), encoding="utf-8")
            conn.insert_many(data)
        time.sleep(1)