[[356785]]

【Part1——理論篇】

試想一個(gè)問(wèn)題，如果我們要抓取某個(gè)微博大V微博的評(píng)論數(shù)據(jù)，應(yīng)該怎么實(shí)現(xiàn)呢?最簡(jiǎn)單的做法就是找到微博評(píng)論數(shù)據(jù)接口，然后通過(guò)改變參數(shù)來(lái)獲取最新數(shù)據(jù)并保存。首先從微博api尋找抓取評(píng)論的接口，如下圖所示。

但是很不幸，該接口頻率受限，抓不了幾次就被禁了，還沒有開始起飛，就涼涼了。

接下來(lái)小編又選擇微博的移動(dòng)端網(wǎng)站，先登錄，然后找到我們想要抓取評(píng)論的微博，打開瀏覽器自帶流量分析工具，一直下拉評(píng)論，找到評(píng)論數(shù)據(jù)接口，如下圖所示。

之后點(diǎn)擊“參數(shù)”選項(xiàng)卡，可以看到參數(shù)為下圖所示的內(nèi)容：

可以看到總共有4個(gè)參數(shù)，其中第1、2個(gè)參數(shù)為該條微博的id，就像人的身份證號(hào)一樣，這個(gè)相當(dāng)于該條微博的“身份證號(hào)”，max_id是變換頁(yè)碼的參數(shù)，每次都要變化，下次的max_id參數(shù)值在本次請(qǐng)求的返回?cái)?shù)據(jù)中。

【Part2——實(shí)戰(zhàn)篇】

有了上文的基礎(chǔ)之后，下面我們開始擼代碼，使用Python進(jìn)行實(shí)現(xiàn)。

1、首先區(qū)分url，第一次不需要max_id,第二次需要用第一次返回的max_id。

2、請(qǐng)求的時(shí)候需要帶上cookie數(shù)據(jù)，微博cookie的有效期比較長(zhǎng)，足夠抓一條微博的評(píng)論數(shù)據(jù)了，cookie數(shù)據(jù)可以從瀏覽器分析工具中找到。

3、然后將返回?cái)?shù)據(jù)轉(zhuǎn)換成json格式，取出評(píng)論內(nèi)容、評(píng)論者昵稱和評(píng)論時(shí)間等數(shù)據(jù)，輸出結(jié)果如下圖所示。

4、為了保存評(píng)論內(nèi)容，我們要將評(píng)論中的表情去掉，使用正則表達(dá)式進(jìn)行處理，如下圖所示。

5、之后接著把內(nèi)容保存到txt文件中，使用簡(jiǎn)單的open函數(shù)進(jìn)行實(shí)現(xiàn)，如下圖所示。

6、重點(diǎn)來(lái)了，通過(guò)此接口最多只能返回16頁(yè)的數(shù)據(jù)(每頁(yè)20條)，網(wǎng)上也有說(shuō)返回50頁(yè)的，但是接口不同、返回的數(shù)據(jù)條數(shù)也不同，所以我加了個(gè)for循環(huán)，一步到位，遍歷還是很給力的，如下圖所示。

7、這里把函數(shù)命名為job。為了能夠一直取出最新的數(shù)據(jù)，我們可以用schedule給程序加個(gè)定時(shí)功能，每隔10分鐘或者半個(gè)小時(shí)抓1次，如下圖所示。

8、對(duì)獲取到的數(shù)據(jù)，做去重處理，如下圖所示。如果評(píng)論已經(jīng)在里邊的話，就直接pass掉，如果沒有的話，繼續(xù)追加即可。

這項(xiàng)工作到此就基本完成了。

【Part3——總結(jié)篇】

這種方法雖然抓不全數(shù)據(jù)，但在這種微博的限制條件下，也是一種比較有效的方法。

本文轉(zhuǎn)載自微信公眾號(hào)「 IT共享者」，可以通過(guò)以下二維碼關(guān)注。轉(zhuǎn)載本文請(qǐng)聯(lián)系 IT共享者公眾號(hào)。