Python爬取qq空间说说的实例代码

Python  /  管理员 发布于 7年前   258

具体代码如下所示：

#coding:utf-8#!/usr/bin/python3from selenium import webdriverimport timeimport reimport importlib2import sysimportlib2.reload(sys)def startSpider():  driver = webdriver.Chrome('/Users/zachary/zachary/chromedriver.exe') #这个是chormedriver的地址  driver.get('https://qzone.qq.com/')  driver.switch_to.frame('login_frame')  driver.find_element_by_id('switcher_plogin').click()  driver.find_element_by_id('u').clear()  driver.find_element_by_id('u').send_keys('QQ号') #这里填写你的QQ号  driver.find_element_by_id('p').clear()  driver.find_element_by_id('p').send_keys('QQ密码') #这里填写你的QQ密码  driver.find_element_by_id('login_button').click()  time.sleep(2)  #设置爬取内容保存路径  f = open('/Users/zachary/Documents/shuoshuo.txt','w')  #---------------获得g_qzonetoken 和 gtk  html = driver.page_source  '''g_qzonetoken=re.search('window\.g_qzonetoken = \(function\(\)\{ try\{return (.*?);\} catch\(e\)',html)#从网页源码中提取g_qzonetoken'''  g_qzonetoken = "e794139a284d6ea9e0b26826e541b55df37d0667a3544f534de25aebdb64628d3ab75e1d7104bbb22a"  cookie = {}#初始化cookie字典  for elem in driver.get_cookies():#取cookies    cookie[elem['name']] = elem['value']  gtk=getGTK(cookie)#通过getGTK函数计算gtk  #print(g_qzonetoken)  #print(gtk)  #--------------获得好友列表  注意下面的链接  driver.get('https://user.qzone.qq.com/proxy/domain/r.qzone.qq.com/cgi-bin/tfriend/friend_hat_get.cgi?hat_seed=1&uin=你的QQ号fupdate=1&g_tk='+str(gtk)+'&qzonetoken='+str(g_qzonetoken)+'&g_tk='+str(gtk))  friend_list = driver.page_source  friend_list = str( friend_list )  abtract_pattern = re.compile('\"(.\d*)\":\{\\n"realname":"(.*?)"}',re.S)  QQ_name_list = re.findall(abtract_pattern,str(friend_list)) #数组  print(QQ_name_list)  numList=dict()# numList => (QQnum:QQname) #列表  for i in QQ_name_list:    numList[str(i[0])]=str(i[1])  begin = 0  last_source = ""  tag = 1  first = 0  firstTime=""  #如果要爬取自己的说说，手动添加自己的qq号  #numList['你的qq号']='你的名字'  #print(numList)  for key in numList.keys():    QQnum = key    QQname = numList[QQnum]    if QQnum == "好友qq号": #根据qq号查找指定好友说说      count = 1      begin = 0      while tag==1 :        #-------------进入好友说说页面#'+QQnum+'       '+str(begin)+'        #print("Begin:"+str(begin))        driver.get('https://user.qzone.qq.com/proxy/domain/taotao.qq.com/cgi-bin/emotion_cgi_msglist_v6?uin='+QQnum+'&ftype=0&sort=0&pos='+str(begin)+'&num=40&replynum=200&g_tk='+str(gtk)+'&callback=_preloadCallback&code_version=1&format=jsonp&need_private_comment=1&qzonetoken='+str(g_qzonetoken)+'&g_tk='+str(gtk))        try:          msg_list_json = driver.page_source        except:          begin = begin + 40          continue        msg_list_json = str(msg_list_json)        if last_source==msg_list_json :          break        else:          last_source=msg_list_json        #检测是否没有权限访问        abtract_pattern = re.compile(',"message":"(.*?)","name":',re.S)        message = re.findall(abtract_pattern,str(msg_list_json))        if message!=[]:          if str(message[0])=='对不起,主人设置了保密,您没有权限查看':#对不起,主人设置了保密,您没有权限查看break        #print(msg_list_json)        #解析JSON        #webDriver没有现成的JSON解析器，所以采用获取源码的方式，然后使用正则表达式获取具体细节        msg_list_json = msg_list_json.split("msglist")[1]#拆分json，缩小范围，也能加快解析速度        msg_list_json = msg_list_json.split("smoothpolicy")[0]        msg_list_json = msg_list_json.split("commentlist")[1:]        #说说动态分4种：1、文字说说（或带有配图的文字说说）        #       2、只有图片的说说        #       3、转发，并配有文字        #       4、转发，不配文字        for text in msg_list_json:          # 1、先检查说说，用户是否发送了文字，如果没有文字，正则表达式匹配无效          abtract_pattern = re.compile('\}\],"content":"(.*?)","createTime":"(.*?)","created_time":(.*?),"',re.S)          msg_time = re.findall(abtract_pattern,str(text))          if msg_time!=[]:# 2、如果作者说说有文字，那么检查是否有转发内容msg = str(msg_time[0][0])sendTime = str(msg_time[0][1])abtract_pattern = re.compile('\}\],"content":"(.*?)"},"rt_createTime":"(.*?)","',re.S)text = text.split("created_time")[1]msg_time2 = re.findall(abtract_pattern,str(text))#合并发送内容 格式：评论+转发内容if msg_time2!=[]:  msg = msg +" 转发内容:"+str(msg_time2[0][0])          else:# 3、说说内容为空，检查是否为 =>只有图片的说说 or 转发，不配文字#获取正文发送时间 （发送时间分为：正文发送时间 or 转发时间）abtract_pattern = re.compile('"conlist":null,"content":"","createTime":"(.*?)",',re.S)msgNull_time = re.findall(abtract_pattern,str(text))if msgNull_time!=[]:  #如果有正文发送时间，那么就是这条说说仅含有图片 =>只有图片的说说  msg = "图片"  sendTime = str(msgNull_time[0])else:  #如果没有正文发送时间，那么就是说这条说为 =>转发，不配文字  abtract_pattern = re.compile('\}\],"content":"(.*?)"},"rt_createTime":"(.*?)","',re.S)  msg_time = re.findall(abtract_pattern,str(text))  msg =" 转发内容:"+str(msg_time[0][0])  sendTime = str(msg_time[0][1])          #写入本地文件          #f.write('{},{},{},{}\n'.format(str(QQname),str(QQnum),sendTime,msg))          print(str(count)+" : "+str(QQname)+" : "+str(QQnum)+" : "+sendTime+" : "+msg)          count = count + 1        begin = begin + 40def getGTK(cookie):  hashes = 5381  for letter in cookie['p_skey']:    hashes += (hashes << 5) + ord(letter)  return hashes & 0x7fffffffstartSpider()print("爬取结束")

总结

以上所述是小编给大家介绍的Python爬取qq空间说说的实例代码，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对站的支持！