前言
请先阅读“中国年轻人正带领国家走向危机”,这锅背是不背? 一文,以对“手把手教你完成一个数据科学小项目”系列有个全局性的了解。
本系列将全面涉及本项目从爬虫、数据提取与准备、数据异常发现与清洗、分析与可视化等细节,并将代码统一开源在GitHub:DesertsX/gulius-projects ,感兴趣的朋友可以先行 star 哈。
爬虫
抓包一下,你就知道
本次要爬取的是新浪财经《中国年轻人正带领国家走向危机?》评论区的全部评论,那么首先点开文章,拉到评论区,点击“查看全部XXXX条评论”:
在新的页面处,点击“点击加载更多”就可以一直加载出评论数据:
接着在页面处鼠标右键后选“审查元素”,按照下图(一般新窗口出现在下方,这里为了挡后面的广告,移到了右边)的顺序,点击 "network" >> 点"All" >> 多次点击加载评论>>观察4中重复加载的内容,并结合5中“previw”,确定下前者就是爬虫入口的 url,后者就是加载出的评论数据:
以上是网页端抓包的一般流程,接下来看看5边上“headers”里的Request URL:http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=cj&newsid=comos-hhkuskt2879316&group=0&compress=0&ie=gbk&oe=gbk&page=2&page_size=20&jsvar=loader_1534257224948_43840486
对比下多次加载评论后其他的 Request URL,可以看出变化的参数仅为page=2
和jsvar=loader_1534257224948_43840486
。
前者 page
就是加载的页数,用总评论数除以每次加载的20条,算下即可。后者 jsvar
初看起来像是随机数,但有些经验的应该能猜到是时间戳,结合参数里的 loader
猜想是评论开始加载的13位时间戳与结束时间戳的后8位:
其实前一个项目当你点开这首《八月》的歌:9400余条评论的分析与挖掘 里就遇到了13位时间戳的问题,因为以前碰到的都是10位的,所以也注意了下。
import time
commentTime = 1534257224948 # 13 位,一般是 10 位
print(commentTime)
print(int(time.time()))
print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(commentTime/1000)))
将参数里的数字转换成正常的时间格式后,能看到与当下加载评论的时刻相近,就可以确认上述判断无误;而后面8位的时间戳采用随机构造即可。
接下来,开始爬取所有评论前,测试下爬虫能否正常获取数据,打印一两页看看:
import requests
import time
# jsvar=loader_1533711754393_51961031
for page in range(0,150):
start = int(time.time()*1000)
end_stamp = start + random.randint(100,1000) # 随机构造时间间隔,并加到起始时间戳上
end = str(end_stamp)[-8:]
url = 'http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=cj&newsid=comos-hhkuskt2879316&group=0&compress=0&ie=gbk&oe=gbk&page={}&page_size=20&jsvar=loader_{}_51961031'.format(page, start, end)
r = requests.get(url).text
print(r)
break
构造 url,并用 requests 库发送 get 请求,发现不用带其它参数,就能拿到数据,异常轻松。注意:这里的数据也就是上文标记为5的“previews”里的内容。
这里截取掉前34个字符,拿到干净的字典样格式的字符串,方便后续操作和提取数据:
var loader_1533713810791_51961031='{ "result":{status: {msg: "", code: 0}, count: {qreply: 8948, total: 17341, show: 2902}, replydict: {,…},…}'
然后重新发送请求,提取并打印部分评论数据:
import time
import requests
import json
for page in range(0,150):
start = int(time.time()*1000)
end_stamp = start + random.randint(100,1000)
end = str(end_stamp)[-8:]
url = 'http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=cj&newsid=comos-hhkuskt2879316&group=0&compress=0&ie=gbk&oe=gbk&page={}&page_size=20&jsvar=loader_{}_51961031'.format(page, start, end)
r = requests.get(url).text
json_dict = json.loads(r[34:])
cmntlist = json_dict['result']["cmntlist"]
for num,cmnt in enumerate(cmntlist):
print(num, cmnt['nick'],cmnt['area'], cmnt['time'], cmnt['content'])
break
罗列下前3条的输出:
0 用户957zwswd 2018-08-08 14:21:26 这是什么沙雕 浙江嘉兴
1 尾尾 2018-08-08 14:21:25 有啊,税制改革了,有学生、老人的家庭有税收优惠,也就意味着,单身要交更多的税了。 宁夏银川
2 可乐味的我想和你天下第一好 2018-08-08 14:21:24 那叫探索,叫探索时的必经之路[作揖] 河南洛阳
爬虫走你~
经过上述探索,确认能获取到数据后,就可以开爬了,代码不难,新手朋友可以试着自己完成:
%% time # 计算耗时
import requests
import time
import random
import json
import pandas as pd
comments = pd.DataFrame(columns = ['page','jsons','cmntlist','replydict'])
start_page = 0 # 修改起始页数(初始值为 0)和 csv 文件名,方便爬虫中断后,继续爬取,之后再将几个 csv 数据整合到一起即可 # 断点续爬
# http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=cj&newsid=comos-hhkuskt2879316&group=0&compress=0&ie=gbk&oe=gbk&page=3&page_size=20&jsvar=loader_1533711754393_51961031
# jsvar=loader_1533711754393_51961031
try:
# 手动设置需要爬取的总页数,评论数若有3000条,那每页20条,就设为150,当然一般在爬取时也可能有新增的评论,所以设大些更好。
for page in range(start_page,200): # 截止20180808 16点 # 3,037条评论|18,714人参与 # 截止20180810 8点 # 3,723条评论|30,235人参与
start = int(time.time()*1000)
end_stamp = start + random.randint(100,1000)
end = str(end_stamp)[-8:] # # jsvar=loader_1533711754393_51961031
url = 'http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=cj&newsid=comos-hhkuskt2879316&group=0&compress=0&ie=gbk&oe=gbk&page={}&page_size=20&jsvar=loader_{}_51961031'.format(page, start, end)
content = requests.get(url).text
jsons = json.loads(content[34:]) # var loader_1533713810791_51961031= { "result":{status: {msg: "", code: 0}, count: {qreply: 8948, total: 17341, show: 2902}, replydict: {,…},…}
cmntlist = jsons['result']["cmntlist"]
replydict = jsons['result']["replydict"]
# jsons 里有几乎所有数据,方便后续爬虫结束也能本地进行提取 # 不过本次主要对 jsons 里的 cmntlist 和 replydict 感兴趣,所以也先提取了
comments = comments.append({'page':page+1,'jsons':jsons,'cmntlist':cmntlist,'replydict':replydict},ignore_index=True)
for num,cmnt in enumerate(cmntlist):
print(page*20+num+1, page+1, cmnt['nick'], cmnt['time'], cmnt['content'], cmnt['area'])
if page%5==0:
time.sleep(random.randint(0,2)) # 每5页随机停0-2秒,作为简单的防反爬的一步
except:
print("Error")
comments.to_csv('Sina_Finance_Comments_1_20180810.csv',index=False,encoding='utf-8')
小结
爬取到数据后,就可以“为所欲为”的进行花式分析了(好吧,其实还需要进一步处理下)。大家可以读取数据,看看每行每列的格式是什么样的。
df = pd.read_csv('Sina_Finance_Comments_1_20180810.csv',encoding='utf-8')
df.head()
这里说明下,爬虫里是先按照每页20条评论的字典或列表的格式整体存储的,那么随之而来的问题就是,如何根据这些列来提取出每一条评论的数据,并存储到新的csv
里呢?
可自行尝试下如何用 pandas 实现哈。更多内容将在本系列后续文章中逐步展开。本系列涉及的从爬虫、数据提取与准备、数据异常发现与清洗、分析与可视化等的代码,统一开源在GitHub:DesertsX/gulius-projects ,感兴趣的朋友可以先行 star 哈。