Python单线程爬取QQ空间说说存入MySQL并生成词云（超详细讲解，踩坑经历）

看了网上的许多博客，基本上都是一个样，基本的知识也没详细解释，我这次也想跟大家仔细分析一下，自己还是要有一定爬虫基础，本人技术有限，如果本文哪有错误或不够准确的地方，还望大牛们指点ヾ(๑╹◡╹)ﾉ"

一、环境配置：

Python 3.6
selenium (注意:先配置好自己浏览器的驱动，下载地址看下面)
pymysql
re
requests

点击下载chrome的---->Chrome_webdriver

点击下载Firefox的---->Firefox_webdriver

点击下载IE的---->IE_webdriver

先来张效果图看看效果

image

二、思路：

作为一个菜鸡学了一点爬虫，就想做一个好友的说说分析，最开始我以为这个爬虫很简单几十行就可以搞定，然而忽略了一些东西。。。。（先卖个关子）

先说说整个过程的想法：

image

看起来是不是很简单？（手动dog）那现在我们就来按步骤操作一下

1.找到包含好友的QQ信息的url（这里也有两种方法）

法一：

先点开好友这一栏,通过亲密度的排行来获取，这里我们点开F12，选中Network

一般这种信息都在XHR或者JS类型里面，大家可以在这里面找找，通过一会的寻找我们就发现friend_ship开头这xhr里面的items_list就包含了好友的QQ号和姓名，但是此方法获取的qq不全，只是大部分的qq

kFEYMq.png

kFE4Fe.png

法二：

点击页面最上面的设置按钮，滑动可见好友，通过js的结果分析，随着下滑请求的url的页数都在变化，我们只要每次修改下页数的参数就可以获取所有好友的QQ，这个方法可以获取所有的好友的qq，但对于qq好友很少的朋友来说，此方法不适用

image

2.找到包含好友的说说的url

我们先随便点进一个好友的空间进行分析

image

点进去过后，我们F12 进行分析，发现一页最多存20条说说，以此我们可以通过说说总数（re提取）来算出一共有多少页，然后通过构造url来获取

image

通过以上的分析过后我们开始获取url：

我们先看看获取qq的第一种方法的url：

https://user.qzone.qq.com/proxy/domain/r.qzone.qq.com/cgi-bin/tfriend/friend_ship_manager.cgi?uin=你的QQ号&do=1&rd=0.55484478707938&fupdate=1&clean=1&g_tk=1376935160&qzonetoken=6e4e0b063e3f00421d98df35b330c8bb2158bb8697e5dc7a85a65b379407706960f0b1c422f9a26879&g_tk=1376935160

我们分析一下这里面每次登录都在变的参数

g_tk （空间加密算法）
qzonetoken （空间源码里面的参数）

那这两个参数我们要怎么获取呢？为什么每次登录这两个参数的都在变呢？

我们首先先要了解一下---->cookie

在看看session的基本概念

快速查看 cookies 的方法：按F12进入浏览器的开发者模式——console——在命令行输入javascript:alert(document.cookie)，再回车即可看见

所以我们登录过后，每次都访问url的时候都要保持着参数不变，也就是说cookie不能变

每次都要是同一个cookie(就相当于每次都是以你的身份保持着登录状态去访问他人空间)，否则就会出现以下情况↓

image

理解好以上的几个问题过后，问题就解决了一大部分了

接着我们分析g_tk参数，在自己qq空间主页 F12 点JS类型文件，找到以下文件,查看Preview部分，分析一下其中的代码

image

<del>其实这个程序的意思，</del> 还是直接上代码吧


def get_tk(cookie):

    hashes = 5381     

    for i in cookie['p_skey']:    #提取cookie中p_skey每个字母

        hashes += (hashes << 5) + ord(i)  #加密过程,ord()将 字符转化为ASCII码

                                  # << 二进制 左移运算 左移几位就相当于乘以2的几次方

    return hashes & 2147483647  #二进制 与运算

    # 比如  2&3 转为二进制  10&11

#  都是1结果为1，否则为0 

#    所以二进制算出来是  10  返回2

#  还不懂的朋友，还是自行Baidu吧

随着我们分析第二个参数qzonetoken

这个参数很好获取，在我们空间主页右键查看网页源代码,Ctrl+F查找下可以找到，之后我们可以通过正则提取

image

ok，理解了上面的全部，基本就完成了80%了，接下来我们开始代码实现

三、代码实现：

先导入第三方库


import re, requests

import time, pymysql

from selenium import webdriver

from selenium.webdriver.common.by import By

from selenium.webdriver.support.ui import WebDriverWait

from selenium.webdriver.support import expected_conditions as EC

首先是登录，我们这里用selenium模拟浏览器实现


def login():

    driver = webdriver.Chrome()  # 传入浏览器对象

    wait = WebDriverWait(driver, 5)  # 显式等待

    driver.get('https://qzone.qq.com/')

    driver.switch_to_frame('login_frame')      #切换到登录窗口

    input = wait.until(EC.presence_of_element_located((By.ID, 'switcher_plogin')))# 显式等待 找到账号密码登录按钮

    time.sleep(1)

    input.click()    # 交互点击

    driver.find_element_by_id('u').clear()  #清空里面的内容

    driver.find_element_by_id('u').send_keys('your_qq')  #传入你的QQ

    time.sleep(3)

    driver.find_element_by_id('p').clear() 

    driver.find_element_by_id('p').send_keys('your_password')  #传入你的密码

    button = driver.find_element_by_id('login_button')  #找到登录按钮

    time.sleep(3) 

    button.click()

    time.sleep(1)

    driver.switch_to.default_content()  # 将frame重新定位回来，不然后续会出错

    return driver

通过传回来的driver对象获取网页源代码和cookies

通过源代码获取qzonetoken参数


def get_qzonetoken(html):

    paa = re.compile(r'window\.g_qzonetoken = \(function\(\)\{ try\{return "(.*?)";\} catch\(e\)', re.S)

    res = re.findall(paa, html)[0]  # 因为返回的是列表形式，所以只取第一个元素

    return res

注意：driver.get_cookies()获取的cookies是散的，所以要进行以下操作：


def get_tk(cookie):  #加密过程

    hashes = 5381

    for i in cookie['p_skey']:

        hashes += (hashes << 5) + ord(i)

    return hashes & 2147483647



  cookies = driver.get_cookies()

for item in cookies:

        cookie[item['name']] = item['value']  #将对应表达联系起来

        #  上一步不懂的可以把 cookies的值输出来看一下

    g_tk = get_tk(cookie)

3.将cookies传给requests,以保证都是在登录状态（最关键）


def back_session(driver):

    mysession = requests.session()  #  建立一个session对话

    cookies = driver.get_cookies()

    cookie = {}

    for item in cookies:

        cookie[item['name']] = item['value']

    headers = {

        'authority': 'user.qzone.qq.com',

        'referer': 'https://qzone.qq.com/',

        'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',

        'accept-encoding': 'gzip, deflate, br',

        'accept-language': 'zh-CN,zh;q=0.9',

        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36'

    }

    c = requests.utils.cookiejar_from_dict(cookie, cookiejar=None, overwrite=True)

    # 将字典转化为cookiejar形式

    mysession.headers = headers  # 请求头，防止反爬

    mysession.cookies.update(c)  # 更新cookies

    return mysession  # 返回带cookies的requests

存入MySQL


connection = pymysql.connect(host='your_host', port=3306, user='你的账户', passwd='你的密码', db='your_database')

connection.autocommit(True)  #开启自动提交 不然每次执行

def save_mysql(say, stime, QQ, connection):  #这里我存入说说、说说时间、qq号

    stime = str(stime)

    content = str(say)

    QQ = str(QQ)

    sql = 'insert into qq values ("{}","{}","{}")'.format(content, stime, QQ)

    connection.query(sql)

#  数据库建表的时候  一定要把字符集改成utf8

看看效果图，爬了40多分钟，四万多条数据，有点<del>小慢。。。</del>，很慢。大家可以尝试下多线程爬取

image

完成以上步骤之后整个框架就都搭好了，其余数据的提取大家就先自己完成了吧（本文最后会给出GitHub地址），也希望大家看思路过后，自己操作，不仅仅是copy、paste and run

导出某个好友的数据库，用Notepad++过滤一些数据后，通过词云分析


import jieba

from matplotlib import pyplot as plt

from wordcloud import WordCloud

from PIL import Image

import numpy as np

path = r'your_data.text_path'

font = r'C:\Windows\Fonts\simkai.TTF'  #  字体path

text = (open('C:/Users/hp/Desktop/233.txt', 'r', encoding='utf-8')).read() # 如果是中文的话encoding换成utf8

cut = jieba.cut(text)  # 分词

string = ' '.join(cut)

print(len(string))

img = Image.open('your_photo_path')  # 打开图片

img_array = np.array(img)  # 将图片装换为数组

stopword = ['xa0']  # 设置停止词，也就是你不想显示的词，这里这个词是我前期处理没处理好，你可以删掉他看看他的作用

wc = WordCloud(

    scale=4,  #清晰度

    background_color='white',  #背景颜色

    max_words=400,    #最多单词

    width=1000,

    height=800,

    mask=img_array,

    font_path=font,

    stopwords=stopword  # 停用词

)

wc.generate_from_text(string)  # 绘制图片

plt.imshow(wc)

plt.axis('off')

plt.figure()

#plt.show()  # 显示图片

wc.to_file('F:/3.png')  # 保存图片

最后我么就分析到以下图片，字越大说明出现次数最多

image

最后贴上我的代码链接 https://github.com/Leaderzhangyi/QQspider 希望大家能够共同改进