前言

请先阅读“中国年轻人正带领国家走向危机”，这锅背是不背？ 一文，以对“手把手教你完成一个数据科学小项目”系列有个全局性的了解。

本系列将全面涉及本项目从爬虫、数据提取与准备、数据异常发现与清洗、分析与可视化等细节，并将代码统一开源在GitHub：DesertsX/gulius-projects ，感兴趣的朋友可以先行 star 哈。

爬虫

抓包一下，你就知道

本次要爬取的是新浪财经《中国年轻人正带领国家走向危机？》评论区的全部评论，那么首先点开文章，拉到评论区，点击“查看全部XXXX条评论”：

在新的页面处，点击“点击加载更多”就可以一直加载出评论数据：

接着在页面处鼠标右键后选“审查元素”，按照下图（一般新窗口出现在下方，这里为了挡后面的广告，移到了右边）的顺序，点击 "network" >> 点"All" >> 多次点击加载评论>>观察4中重复加载的内容，并结合5中“previw”，确定下前者就是爬虫入口的 url，后者就是加载出的评论数据：

以上是网页端抓包的一般流程，接下来看看5边上“headers”里的Request URL:http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=cj&newsid=comos-hhkuskt2879316&group=0&compress=0&ie=gbk&oe=gbk&page=2&page_size=20&jsvar=loader_1534257224948_43840486

对比下多次加载评论后其他的 Request URL，可以看出变化的参数仅为page=2和jsvar=loader_1534257224948_43840486。

前者 page 就是加载的页数，用总评论数除以每次加载的20条，算下即可。后者 jsvar 初看起来像是随机数，但有些经验的应该能猜到是时间戳，结合参数里的 loader 猜想是评论开始加载的13位时间戳与结束时间戳的后8位：

其实前一个项目当你点开这首《八月》的歌：9400余条评论的分析与挖掘 里就遇到了13位时间戳的问题，因为以前碰到的都是10位的，所以也注意了下。

import time
commentTime = 1534257224948 # 13 位，一般是 10 位
print(commentTime)
print(int(time.time()))
print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(commentTime/1000)))

将参数里的数字转换成正常的时间格式后，能看到与当下加载评论的时刻相近，就可以确认上述判断无误；而后面8位的时间戳采用随机构造即可。

接下来，开始爬取所有评论前，测试下爬虫能否正常获取数据，打印一两页看看：

import requests
import time

# jsvar=loader_1533711754393_51961031
for page in range(0,150):
    start = int(time.time()*1000)
    end_stamp = start + random.randint(100,1000) # 随机构造时间间隔，并加到起始时间戳上
    end = str(end_stamp)[-8:]
    url = 'http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=cj&newsid=comos-hhkuskt2879316&group=0&compress=0&ie=gbk&oe=gbk&page={}&page_size=20&jsvar=loader_{}_51961031'.format(page, start, end)
    r = requests.get(url).text
    print(r)
    break

构造 url，并用 requests 库发送 get 请求，发现不用带其它参数，就能拿到数据，异常轻松。注意：这里的数据也就是上文标记为5的“previews”里的内容。

这里截取掉前34个字符，拿到干净的字典样格式的字符串，方便后续操作和提取数据：
var loader_1533713810791_51961031='{ "result":{status: {msg: "", code: 0}, count: {qreply: 8948, total: 17341, show: 2902}, replydict: {,…},…}'

然后重新发送请求，提取并打印部分评论数据：

import time
import requests
import json

for page in range(0,150):
    start = int(time.time()*1000)
    end_stamp = start + random.randint(100,1000)
    end = str(end_stamp)[-8:]
    url = 'http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=cj&newsid=comos-hhkuskt2879316&group=0&compress=0&ie=gbk&oe=gbk&page={}&page_size=20&jsvar=loader_{}_51961031'.format(page, start, end)
    r = requests.get(url).text
    json_dict = json.loads(r[34:])
    cmntlist = json_dict['result']["cmntlist"]
    for num,cmnt in  enumerate(cmntlist):
        print(num, cmnt['nick'],cmnt['area'], cmnt['time'], cmnt['content']) 
    break

罗列下前3条的输出：

0 用户957zwswd 2018-08-08 14:21:26 这是什么沙雕 浙江嘉兴
1 尾尾 2018-08-08 14:21:25 有啊，税制改革了，有学生、老人的家庭有税收优惠，也就意味着，单身要交更多的税了。 宁夏银川
2 可乐味的我想和你天下第一好 2018-08-08 14:21:24 那叫探索，叫探索时的必经之路[作揖] 河南洛阳

爬虫走你~

经过上述探索，确认能获取到数据后，就可以开爬了，代码不难，新手朋友可以试着自己完成：

%% time # 计算耗时
import requests
import time
import random
import json
import pandas as pd

comments = pd.DataFrame(columns = ['page','jsons','cmntlist','replydict'])
start_page = 0 # 修改起始页数（初始值为 0）和 csv 文件名，方便爬虫中断后，继续爬取，之后再将几个 csv 数据整合到一起即可 # 断点续爬

# http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=cj&newsid=comos-hhkuskt2879316&group=0&compress=0&ie=gbk&oe=gbk&page=3&page_size=20&jsvar=loader_1533711754393_51961031
# jsvar=loader_1533711754393_51961031
try:
    # 手动设置需要爬取的总页数，评论数若有3000条，那每页20条，就设为150，当然一般在爬取时也可能有新增的评论，所以设大些更好。
    for page in range(start_page,200):  # 截止20180808 16点  # 3,037条评论|18,714人参与 # 截止20180810 8点 # 3,723条评论|30,235人参与
        start = int(time.time()*1000)
        end_stamp = start + random.randint(100,1000)
        end = str(end_stamp)[-8:] # # jsvar=loader_1533711754393_51961031
        url = 'http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=cj&newsid=comos-hhkuskt2879316&group=0&compress=0&ie=gbk&oe=gbk&page={}&page_size=20&jsvar=loader_{}_51961031'.format(page, start, end)
        content = requests.get(url).text
        jsons = json.loads(content[34:])  # var loader_1533713810791_51961031= { "result":{status: {msg: "", code: 0}, count: {qreply: 8948, total: 17341, show: 2902}, replydict: {,…},…}
        cmntlist = jsons['result']["cmntlist"]
        replydict = jsons['result']["replydict"]
        # jsons 里有几乎所有数据，方便后续爬虫结束也能本地进行提取 # 不过本次主要对 jsons 里的 cmntlist 和 replydict 感兴趣，所以也先提取了
        comments = comments.append({'page':page+1,'jsons':jsons,'cmntlist':cmntlist,'replydict':replydict},ignore_index=True)
        for num,cmnt in  enumerate(cmntlist):
            print(page*20+num+1, page+1, cmnt['nick'], cmnt['time'], cmnt['content'], cmnt['area'])
        if page%5==0:
            time.sleep(random.randint(0,2)) # 每5页随机停0-2秒，作为简单的防反爬的一步
except:
    print("Error")
comments.to_csv('Sina_Finance_Comments_1_20180810.csv',index=False,encoding='utf-8')

小结

爬取到数据后，就可以“为所欲为”的进行花式分析了（好吧，其实还需要进一步处理下）。大家可以读取数据，看看每行每列的格式是什么样的。

df = pd.read_csv('Sina_Finance_Comments_1_20180810.csv',encoding='utf-8')
df.head()

这里说明下，爬虫里是先按照每页20条评论的字典或列表的格式整体存储的，那么随之而来的问题就是，如何根据这些列来提取出每一条评论的数据，并存储到新的csv里呢？

可自行尝试下如何用 pandas 实现哈。更多内容将在本系列后续文章中逐步展开。本系列涉及的从爬虫、数据提取与准备、数据异常发现与清洗、分析与可视化等的代码，统一开源在GitHub：DesertsX/gulius-projects ，感兴趣的朋友可以先行 star 哈。