初级爬虫实战——CSDN评论区粉丝抽奖程序 正式版1.4

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。

1. 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。
2. 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.***/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.***"
headers = {
    "User-Agent": "Mozilla/5.0",
    "A***ept-Language": "en-US,en;q=0.9",
    "Referer": "https://example.***",
    # 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）、“A***ept-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": "su***ess",
  "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.***/phoenix/web/v1/***ment/list/131760390?page=100&size=10&fold=unfold&***mentId="

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.***/phoenix/web/v1/***ment/list/131760390?page=100&size=10&fold=unfold&***mentId= 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 pc***mentSideBox 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.***/phoenix/web/v1/***ment/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.***/phoenix/web/v1/***ment/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
    ***ment_num = input("请输入博客中的评论数量: ")
    ***ment_num = int(***ment_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(***ment/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(***ment_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.***/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.***/phoenix/web/v1/***ment/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.***/phoenix/web/v1/***ment/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.***/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.***/phoenix/web/v1/***ment/list/" + str(blog_id) + "?page=%s&size=10&fold=unfold"
    # fold 代表折叠的评论
    blog_url_fold = "https://blog.csdn.***/phoenix/web/v1/***ment/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
    ***ment_num = input("请输入博客中的总评论数量: ")
    page_num = math.ceil(int(***ment_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(***ment_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.***/phoenix/web/v1/***ment/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(***ment_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 " + ***ment_num + " 条评论,其中 " + str(len(nums_fold)) + " 条评论被折叠, " + str(
            int(***ment_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）