初级爬虫实战——CSDN评论区粉丝抽奖程序正式版1.4_网站优化分享

您的位置：上海毫米网络优化公司 > 网站优化分享 >

文章目录

前言
发现宝藏
一、机缘巧合
二、设计思路
三、前置知识
- 1. 如何发送get请求解析url（基础）
- 2. 如何发送post请求解析url
- 3. 如何添加常用的请求头
- 4. 字符串格式化
- 5. 如何解析JSON格式
- 6. 如何获取 url 中的参数
- 四、开始编程探索
- 五、最后，变完全体
- 六、更新日志
- 总结
  
  前言
  
  为了巩固所学的知识，作者尝试着开始发布一些学习笔记类的博客，方便日后回顾。当然，如果能帮到一些萌新进行新技术的学习那也是极好的。作者菜菜一枚，文章中如果有记录错误，欢迎读者朋友们批评指正。
  
  发现宝藏
  
  前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。【宝藏入口】。
  
  一、机缘巧合
  - 近期我开始着手于粉丝福利送书活动，需要在评论区随机抽取一些粉丝送出实体好书。为了完成这个任务，我需要手动复制粘贴粉丝的名字，并下载相应的抽奖程序，然后手动录入粉丝名单，这一系列繁琐的操作让我觉得非常麻烦
  - 无独有偶，我最近正在实习中，有机会接触和学习有关 Python 的知识。我初步学习了一些 Python 爬虫技术，能够简单地爬取一些网页数据。于是，我决定尝试着动手实现一个简易的 Python 爬虫程序，用于自动获取评论区粉丝的名字，并实现随机抽取的功能
  - 请大家见谅，因为我是 Java 选手，刚刚入门 Python，所以水平有限，程序设计的过程中难免有不足之处，欢迎大家大提出宝贵意见和批评指正
    二、设计思路
    - 首先，我计划使用 Python 爬虫技术从评论区获取粉丝的名字。通过分析评论区的网页结构，我可以编写爬虫程序来提取相关数据。使用 Python 的请求库（如 Requests ）和解析库（如 BeautifulSoup ），我可以发送请求并从页面中提取所需信息，例如粉丝的用户名。
    - 一旦获取到了粉丝名字的列表，接下来我可以使用 Python 的随机化库（如random）来实现随机抽取的功能。通过调用适当的方法，我可以从粉丝名字的列表中随机选择若干位粉丝作为获奖者。
    - 为了提高用户的操作便利性，让其能够轻松运行代码，我也会将代码打包成一个可执行的Python程序，以实现点击即可运行的功能。这样一来，用户只需双击该程序，而无需打开命令行或编辑器，就能直接执行代码。
      
      三、前置知识
      
      1. 如何发送get请求解析url（基础）
      - 要解析 Python 中 Request 返回的 HTML DOM，你可以使用解析库，如 BeautifulSoup 或 lxml，来处理 HTML 文档。下面是使用 Beautiful Soup 的示例代码：
      - 首先，确保你已经安装了所需的库。对于 Beautiful Soup，你可以使用 pip install beautifulsoup4 进行安装。
        
        BeautifulSoup 是一个 Python 库，用于网络爬虫目的。它提供了一种方便和高效的方式来从 HTML 和 XML 文档中提取数据。使用 BeautifulSoup，你可以解析和遍历 HTML 结构，搜索特定元素，并从网页中提取相关数据。
        该库支持不同的解析器，如内置的 Python 解析器、lxml 和 html5lib，允许你根据特定需求选择最适合的解析器。BeautifulSoup 的优势在于它能够处理格式混乱或损坏的 HTML 代码，使其成为处理复杂情况下的网络爬虫任务的强大工具。
        
        import requests from bs4 import BeautifulSoup # 发送请求获取 HTML response = requests.get(url) html = response.text # 创建 Beautiful Soup 对象 soup = BeautifulSoup(html, 'html.parser') # 通过选择器选择 DOM 元素进行操作 element = soup.find('div',id='my-element')
        
        在上面的示例中，requests.get(url) 发送请求并获取 HTML 响应。然后，我们使用 response.text 获取响应的 HTML 内容，并将其传递给 Beautiful Soup 构造函数 BeautifulSoup(html, ‘html.parser’)，创建一个 Beautiful Soup 对象 soup。
        接下来，你可以使用 Beautiful Soup 提供的方法和选择器，如 find()，来选择 HTML DOM 中的特定元素。在上述示例中，我们通过 find() 方法选择具有 id 为 my-element 的元素。
        2. 如何发送post请求解析url
        
        解析一个请求主要关注以下几个方面
        
        请求类型（post、get…）
        请求路径(网址)
        请求头（如图）
        
        请求参数（post 请求是隐式参数，而浏览器发送的是 get 请求，这意味着发 post 请求的接口数据无法通过发 get 请求直接获取到）
        以下是一个示例代码
        
        import json import requests def main(): #这是获取广州青年报响应数据的一个模拟测试类 url = 'https://www.gzyouthnews.org.cn/index/index' header = { 'X-Requested-With':'XMLHttpRequest' } data={ 'act':'list', 'date':'2023-08-10', 'paper_id':1 } res = requests.post(url=url,headers=header,data=data) list = json.loads(res.text) for i in list: print(i.get('edition')) if __name__ == '__main__': main()
        
        3. 如何添加常用的请求头
        
        如果想在实际的代码中设置 HTTP 请求头，可以通过使用相应编程语言和 HTTP 库的功能来完成。下面是一个示例，显示如何使用 Python 的 requests 库添加常用的请求头：
        import requests url = "https://example.com" headers = { "User-Agent": "Mozilla/5.0", "Accept-Language": "en-US,en;q=0.9", "Referer": "https://example.com", # 添加其他常用请求头... } response = requests.get(url,stream=True, headers=headers)
        
        在上述示例中，我们创建了一个 headers 字典，并将常用的请求头键值对添加到字典中。然后，在发送请求时，通过传递 headers 参数将这些请求头添加到 GET 请求中。
        请注意，实际使用时，可以根据需要自定义请求头部。常用的请求头包括 “User-Agent”（用户代理，用于识别客户端浏览器/设备）、“Accept-Language”（接受的语言）、“Referer”（来源页面）等。
        4. 字符串格式化
        
        字符串格式化是一种将变量或数据插入到字符串中的方法，以创建具有特定格式的文本。在 Python 中，字符串格式化可以通过多种方式实现。
        
        一种常用的字符串格式化方式是使用百分号（%）操作符。这种方法使用占位符来表示要插入的变量，并在%操作符后面提供相应的值。例如：
        
        name = "Alice" age = 25 message = "My name is %s and I am %d years old." % (name, age) print(message)
        
        输出结果将是：
        
        My name is Alice and I am 25 years old.
        
        在上面的例子中，%s 是字符串占位符，%d 是整数占位符。% 操作符后的括号中依次提供了要插入的变量（name 和 age）。
        
        5. 如何解析JSON格式
        
        要获取 JSON 数据中的 title 属性的值，你可以使用 Python 的 json 模块来解析 JSON 数据。在你的示例数据中，title 属性位于 data 字典中的 pageArticleList 列表中的每个元素中。
        下面是一个示例代码，演示如何获取 title 属性的值：
        import json # 假设你已经获取到了 JSON 数据，将其存储在 json_data 变量中 json_data = ''' { "status": 200, "message": "success", "datatype": "json", "data": { "pageArticleList": [ { "indexnum": 0, "periodid": 20200651, "ordinate": "", "pageid": 2020035375, "pagenum": "6 科协动态", "title": "聚焦“科技创新+先进制造” 构建社会化大科普工作格局" } ] } } ''' # 解析 JSON 数据 data = json.loads(json_data) # 提取 title 属性的值 title = data["data"]["pageArticleList"][0]["title"] # 输出 title 属性的值 print(title)
        
        在上述示例中，我们将示例数据存储在 json_data 字符串中。然后，我们使用 json.loads() 函数将字符串解析为 JSON 数据，将其存储在 data 变量中。
        
        然后，我们可以通过字典键的层级访问方式提取 title 属性的值。在这个示例中，我们使用 data[“data”][“pageArticleList”][0][“title”] 来获取 title 属性的值（类似于数组，一个层级就用一个[]）。
        
        最后，我们将结果打印出来或根据需求进行其他处理。
        
        或者是用 get() 获取具体属性的值
        
        list = json.loads(res.text) for i in list: print(i.get('edition'))
        
        6. 如何获取 url 中的参数
        
        要从给定的 URL 中获取参数 page=100，你可以使用 URL 解析库来解析 URL，并提取出所需的参数。
        以下是使用 Python 的 urllib.parse 模块解析 URL 参数的示例代码：
        
        from urllib.parse import urlparse, parse_qs url = "https://blog.csdn.net/phoenix/web/v1/comment/list/131760390?page=100&size=10&fold=unfold&commentId=" parsed_url = urlparse(url) query_params = parse_qs(parsed_url.query) page_value = query_params.get("page", [None])[0] print(page_value)
        
        在上述示例中，我们首先使用 urlparse 函数解析 URL，然后使用 parse_qs 函数解析查询参数部分。parse_qs 函数将查询参数解析为字典，其中键是参数名称，值是参数值的列表。
        
        然后，我们使用 query_params.get(“page”, [None])[0] 从字典中获取名为 page 的参数值。这将返回参数的值，如果该参数不存在，则返回 None。
        
        输出结果将是 100，这是从 URL https://blog.csdn.net/phoenix/web/v1/comment/list/131760390?page=100&size=10&fold=unfold&commentId= 中提取的 page 参数的值。
        
        请注意，如果 URL 的参数值是字符串形式，你可能需要根据需要进行进一步的类型转换。
        
        四、开始编程探索
        
        首先我们按照上面给的模板去编写代码，编写一个发送 get 请求的示例程序，这里以我个人的博客《4个维度讲透ChatGPT技术原理，揭开ChatGPT神秘技术黑盒【文末送书】》为例子，先找到对应的 dom 节点
        
        进行代码调试，查找是否正常获取到了我们想要的节点
        
        我们发现包含所有评论区粉丝名称的 id 为 pcCommentSideBox 的 dom 节点内容为空，并没有发现在页面上看到的其他 dom 结点。
        其实到这里我们可以根据经验知道，评论区的数据是通过接口渲染上去的，而不是直接渲染在页面的 dom 结构中，于是我们去网页上的控制台去找对应的数据渲染接口
        
        通过一条一条查看请求，我们终于找到了对应的渲染评论区数据的返回 json 数据格式的请求
        
        并且通过查看该请求的消息头，我们不难发现该请求的请求类型为 POST，并且该API接口的请求路径为
        
        https://blog.csdn.net/phoenix/web/v1/comment/list/132666724?page=2&size=10&fold=unfold
        
        并且我们发现被折叠的评论路径参数中的 fold 属性值为 fold，而没被折叠的路径 fold 参数值为 unfold，被折叠的评论是无效（评论过短或者包涵敏感词汇或者是与讨论与博客无关的内容）的，此处不参与抽奖，故不做处理
        
        我们直接去访问该接口，发现只有 10 条数据，并不是完整的评论区的数据
        
        那我们的评论区有多少条评论呢？怎么算的呢？通过下图我们发现总评论数量是包括折叠和被折叠的
        
        当你回过头仔细查看页面你会发现，随着你点击查看更多评论，类似的请求也会越来越多
        
        当你去比对他们的请求路径你会发现，他们之间的区别就是路径中的 page 参数不同而已，不难推断，一个 page 就是一个页面（评论总数 - 折叠数的差值 / 10 向上取整），当把所有的 page 都集齐了，就获取到了评论区的所有的评论，进一步也就能获取到评论区所有粉丝的名字
        
        于是，我们将原来的 GET 请求改为 POST 请求，并将路径中的 page 参数通过动态拼接赋值 + for 循环遍历所有的页面，示例如下
        #假设有19页评论 for index in range(0,20): # 示例博客地址 url = "https://blog.csdn.net/phoenix/web/v1/comment/list/132666724?page=%s&size=10&fold=unfold" % (index)
        
        此处不加请求头是访问不到带有 JSON 数据的接口的，故在这里添加了常用的请求头，如果还不行，考虑多加几个常用的请求头和加参数
        headers = { "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36" } response = requests.post(url,headers=headers)
        
        能访问到接口后通过 for 循环处理每一页的 JSON 数据
        
        html = response.text json_data = json.loads(html) list = json_data["data"]["list"] for item in list: # 获取评论区每一条评论中粉丝的用户昵称 user_name = item["info"]["nickName"]
        
        另外，博主本身不参与抽奖，所以博主的评论不放在最终的奖池中，博主自身评论分两种情况，如下：
        因为获取评论区每一条评论中粉丝的用户昵称,取得是info字段,不是sub字段
        
        for item in list: # 获取评论区每一条评论中粉丝的用户昵称 user_name = item["info"]["nickName"] # 博主自身的评论不参与抽奖 if user_name == editior_name: continue else: nums.append(user_name)
        
        在访问接口之前定义一个数组 nums，用来存储获取到的用户昵称
        nums = [] ... nums.append(user_name)
        
        通过 python 的 random 函数随机从存储了评论区所有粉丝用户昵称的数组 nums 中抽取 5 位幸运粉丝
        #假设是抽5名幸运粉丝 for index in range(0,5): luck_fan = random.choice(nums) print("第" + str(index + 1) + "位幸运粉丝是" + luck_fan)
        
        为了优化用户体验，我们将抽取粉丝数量和访问带有 JSON 数据接口的数量（有多少页就有多少个接口，通过转换为多少条评论来优化用户体验）通过键盘输入的方式，由用户自定义参数，降低代码的耦合度，提升程序与用户的交互性
        #一共有多少条评论，一个页面10条评论 comment_num = input("请输入博客中的评论数量: ") comment_num = int(comment_num) luck_fans_num = input("请在键盘输入最终中奖粉丝的数量: ") luck_fans_num = int(luck_fans_num) #有多少页评论循环多少次 for index in range(0, int(comment/10)): ... #假设是抽5名幸运粉丝 for index in range(0,luck_fans_num): ...
        
        为了提升用户体验，原本固定在程序中的 json 数据链接改为通过用户输入，并将 page 参数的值改为 %s 进行动态拼接
        from urllib.parse import urlparse, parse_qs ... JSON_path = input("请在键盘中输入博客中评论的JSON数据渲染路径(page=%s): ") # 解析URL parsed_url = urlparse(JSON_path) # 提取查询参数 query_params = parse_qs(parsed_url.query) # 获取page字段的值。替换为%s进行动态拼接 page_value = query_params.get('page', [''])[0] JSON_path = JSON_path.replace("page=" + str(page_value),"page=%s")
        
        另外在调试页面的过程中我们会发现当有效评论超过10条的时候 JSON 数据接口会在评论末尾页多渲染10个和第一页一模一样的脏数据（这个特点我找了差不多一天，555…），这个需要在获取时跳过第1个页面
        #评论大于10条会渲染脏数据，第1页数据不能取 if int(comment_num) >= 10: dirty_data_index = 1 else: dirty_data_index = 0 for index in tqdm(range(dirty_data_index, page_num),desc='抽奖中',ncols=80): ...
        
        同时，为了避免最终结果出现两个相同的名字，还得在抽奖的时候做一下去重工作
        final_nums = [] #假设是抽5名幸运粉丝 for index in range(0,luck_fans_num): luck_fan = random.choice(nums) if luck_fan not in final_nums: final_nums.append(luck_fan) else: index = index - 1 continue
        
        将程序用 PyInstaller 打包成.exe文件，无需下载安装任何软件或环境，点击即可运行，由于程序运行完会立即结束，类似闪退的效果，故在main 函数执行完后添加 time.sleep（），延迟程序关闭时间
        
        打包教程如下：http://t.csdn.cn/7I1yW
        
        #打包后的程序持续显示5分钟后自动关闭 time.sleep(300)
        
        此时需要用户自己去找对应的 JSON 数据链接，并且将 page 参数的值手动改为 %s，这里我们在程序中进行自动处理将 page 参数的值自动改为 %s，提升用户体验
        JSON_path = input("请在输入博客中评论的JSON数据渲染路径(任意): ") # 解析URL parsed_url = urlparse(JSON_path) # 提取查询参数 query_params = parse_qs(parsed_url.query) # 获取page字段的值。替换为%s进行动态拼接 page_value = query_params.get('page', [''])[0] JSON_path = JSON_path.replace("page=" + str(page_value),"page=%s")
        
        但是考虑到一些用户基础薄弱，找 json 链接对于他们来说也很麻烦，如果能直接输入博客链接运行程序就好了，这必须安排上。我们其实可以发现，每篇文章的 json 链接其实就一个地方不一样
        
        我们知道，一个网址的前面一段都是固定不变的，随着传参的数量不同，产生了不同的 API 接口进而访问不同的页面，我们想直接通过博客链接就运行程序，于是我们去观察博客链接，会发现文章 id 和 JSON链接中数字的是一样的
        
        于是，我们就可以通过输入文章 id 来进行拼接 JSON 路径，从而避免了直接去找的繁琐
        blog_id = input("请输入博客id: ") blog_url = "https://blog.csdn.net/phoenix/web/v1/comment/list/" + str(blog_id) + "?page=%s&size=10&fold=unfold" ... url = blog_url % (index)
        
        有的用户觉得要求路径找id还是太麻烦了，如果能直接输入文章的全路径就好了，更加方便，这必须给他安排上，我们让程序自动提取出路径中的文章id
        blog_id = input("请输入者博客地址或者博客id: ") #解析输入的博客地址，提前文章id parsed_url = urlparse(blog_id) path = parsed_url.path # 提取出目标字符串 blog_id = path.split('/')[-1] blog_url = "https://blog.csdn.net/phoenix/web/v1/comment/list/" + str(blog_id) + "?page=%s&size=10&fold=unfold"
        
        可能有些用户觉得控制台加载输出平平无奇，于是我们给他加上一个动态的加载条，具体操作如下：
        
        http://t.csdn.cn/k6DeM
        
        from tqdm import * ... for index in tqdm(range(dirty_data_index, page_num),desc='抽奖中',ncols=80): ...
        
        有的用户又说了,被折叠的评论也是评论,不能让人家白评论,要把最好的福利传递给更多的粉丝,想把被折叠的评论也加进奖池里,能否实现呢.
        当然可以,其实被折叠的评论的 json 数据连接与没被折叠的 json 数据连接区别仅仅是路径中的 fold 参数值为 fold 而已(前面我也提到过这一点),处理方法同理可得,具体代码见完全体
        五、最后，变完全体
        
        import json import math import random import time import requests from urllib.parse import urlparse, parse_qs from tqdm import * def main(): nums = [] nums_fold = [] content_fold = [] blog_id = input("请输入者博客地址或者博客id: ") # 解析输入的博客地址，提前文章id parsed_url = urlparse(blog_id) path = parsed_url.path # 提取出目标字符串 blog_id = path.split('/')[-1] blog_url = "https://blog.csdn.net/phoenix/web/v1/comment/list/" + str(blog_id) + "?page=%s&size=10&fold=unfold" # fold 代表折叠的评论 blog_url_fold = "https://blog.csdn.net/phoenix/web/v1/comment/list/" + str(blog_id) + "?page=%s&size=10&fold=fold" # 一共有多少条评论，一个页面10条评论 comment_num = input("请输入博客中的总评论数量: ") page_num = math.ceil(int(comment_num) / 10) luck_fans_num = input("请输入最终中奖粉丝的数量: ") luck_fans_num = int(luck_fans_num) editior_name = input("请输入不参与此次抽奖的用户昵称(暂时限制0-1个): ") fold_into_unfold = input("是否将被折叠的评论加入奖池(y/n): ") print() #评论大于10条会渲染脏数据，第1页数据不能取 if int(comment_num) >= 10: dirty_data_index = 1 else: dirty_data_index = 0 for index in tqdm(range(dirty_data_index, page_num),desc='抽奖中',ncols=80): # 示例url : https://blog.csdn.net/phoenix/web/v1/comment/list/132666724?page=3&size=10&fold=unfold url = blog_url % (index) url_fold = blog_url_fold % (index) # 发送请求获取 HTML headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:109.0) Gecko/20100101 Firefox/117.0", } #获取相应数据 response 并根据需求提取对应的 json 数据 response = requests.post(url, headers=headers) response_fold = requests.post(url_fold, headers=headers) html = response.text html_fold = response_fold.text json_data = json.loads(html) json_data_fold = json.loads(html_fold) list = json_data["data"]["list"] list_fold = json_data_fold["data"]["list"] for item in list: # 获取评论区每一条评论中粉丝的用户昵称,取得是info字段,不是sub字段 user_name = item["info"]["nickName"] # 博主自身的评论不参与抽奖 if user_name == editior_name: continue else: nums.append(user_name) for item in list_fold: # 获取评论区每一条评论中粉丝的用户昵称,取得是info字段,不是sub字段 user_name = item["info"]["nickName"] content = item["info"]["content"] # 博主自身的评论不参与抽奖 if user_name == editior_name: continue else: nums_fold.append(user_name) content_fold.append(content) print() if fold_into_unfold == 'y' or fold_into_unfold == 'Y': result = "参与抽奖活动的名单（包括被折叠的）如下:" + ', '.join(nums + nums_fold) print(str(int(comment_num) - len(nums) - len(nums_fold)) + " 条评论出现在同一楼,包括被折叠的一共 " + str(len(nums + nums_fold))+ " 条评论参与了此次抽奖" + '\n') else: result = "参与抽奖活动的名单（不包括被折叠的）如下:" + ', '.join(nums) print("一共有 " + comment_num + " 条评论,其中 " + str(len(nums_fold)) + " 条评论被折叠, " + str( int(comment_num) - len(nums) - len(nums_fold)) + " 条评论出现在同一楼,共 " + str(len(nums)) + " 条有效评论参与了此次抽奖" + '\n') result_content_fold = "由于评论过短,包含回访,评论内容无厘头等情况被折叠评论内容如下:" + ' | '.join(content_fold) print(result_content_fold + '\n') print(result + '\n') final_nums = [] if fold_into_unfold == 'y' or fold_into_unfold == 'Y': nums_jiangchi = nums + nums_fold else: nums_jiangchi = nums # 假设是抽5名幸运粉丝 for index in range(luck_fans_num): luck_fan = random.choice(nums_jiangchi) if luck_fan not in final_nums: final_nums.append(luck_fan) else: index = index - 1 continue print("第" + str(index + 1) + "位幸运粉丝是 >>>>>> " + luck_fan) if __name__ == '__main__': main() # 打包后的程序持续显示5分钟后自动关闭 time.sleep(300)
        
        六、更新日志
        
        2023-09-08 23:46 博客版本1.0问世
        
        1. 完成了基础的抽奖功能.
        
        2023-09-10 0:26 版本1.1 代码逻辑优化
        
        1. 新增作者不参与抽奖的功能特性
        2. 修复了脏数据渲染的问题
        3. 优化了输出语句，提升用户体验
        
        2023-09-10 15:36 版本1.2 代码逻辑优化
        
        1. 获取的JSON数据链接通过键盘输入
        2. 将程序打包成.exe文件，无需下载安装任何软件或环境，点击即可运行
        
        2023-09-10 18:15 版本 1.3 代码逻辑优化
        
        1. 实现通过输入文章 id 完成整体逻辑的运行
        2. 优化了输出语句
        
        2023-09-11 14:28 版本 1.4 代码逻辑优化
        
        1. 支持直接输入文章完整路径，程序自动提取文章id
        2. 新增动态加载条效果
        3. 新增添加被折叠评论的功能特性,并添加了更加详细的数据显示
        
        总结
        
        欢迎各位留言交流以及批评指正，如果文章对您有帮助或者觉得作者写的还不错可以点一下关注,点赞，收藏支持一下。
        （博客的参考源码可以在我主页的资源里找到，如果在学习的过程中有什么疑问欢迎大家在评论区向我提出）
        
        哈尔滨做网站公司网站建设的功能定位网站建设页面底部叫什么如何注册企业邮箱帐号制作视频剪辑 pc网站建设怎么做