学习python不久,最近爬的网页都是直接源代码中直接就有的,看到网易新闻的评论时,发现评论时以json格式加载的.....
爬的网页是习大大2015访英的评论页http://comment.news.163.com/news_guonei8_bbs/SPEC0001B60046CG.html
步骤如下:
1.使用谷歌浏览器分析网页首页加载的数据
打开网页----按下F12----点击Network,此时是空的
刷新以后,会出现如下图:(我以前加载过页面,所以json数据显示的不全)
点击其中的一个json格式的文件,找到url,并在网页中打开,看看是不是自己想要的数据:
我第一次访问网页的时候打了三个,只有一个是并论的内容,首页的网址为:
http://comment.news.163.com/data/news_guonei8_bbs/df/SPEC0001B60046CG_1.html?_=14455959217790
数据为:
2.其他评论页
在点击其他评论页时,先点击一下Network中的清除按钮,方便查找json---从第二页开始观察,几乎都一样
点击找到url,并在浏览器中打开
数据虽然是乱码的,在Python中读取到的是可以正常查看的
3.网址规律
一开始以为网址后面的有什么规律,后来发现去掉也没影响,
所以只要把页数换成对应的评论页就好了(我只能打开34页??)
4.代码
注:由于数据开始有变量名,结尾有分号,在使用json.loads(data)时报错,所以先对数据进行处理
1 # encoding=utf-8 2 3 import urllib2 4 import json 5 import re 6 import time 7 class JSON(): 8 def __init__(self): 9 self.user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'10 self.headers={'User-Agent':self.user_agent}11 self.url1='http://comment.news.163.com/data/news_guonei8_bbs/df/SPEC0001B60046CG_1.html'12 def getUrls(self,pageIndex):13 url2='http://comment.news.163.com/cache/newlist/news_guonei8_bbs/SPEC0001B60046CG_'+str(pageIndex)+'.html'14 return url215 def getHtml(self,url):16 try:17 request=urllib2.Request(url,headers=self.headers)18 respone=urllib2.urlopen(request)19 html=respone.read()20 return html21 except urllib2.URLError,e:22 if hasattr(e,'reason'):23 PRint u"连接失败",e.reason24 return None25 #处理字符串,没有处理干净的可以再打开文件进行处理26 def strDeal(self,data,pageIndex):27 if pageIndex==1:28 data=data.replace('var replyData=','')29 else:30 data=data.replace('var newPostList=','')31 reg=re.compile(" /[<a href=''>")32 data=reg.sub('--',data)33 reg2=re.compile('<////a>/]')#<//a>]的正则?34 data=reg2.sub('',data)35 reg3=re.compile('<br>')36 data=reg3.sub('',data)37 return data38 #解析json数据并存入文件39 def parserJson(self):40 with open('wangyi2.txt','a') as f:41 f.write('用户ID'+'|'+'评论'+'|'+'点赞数'+'/n')42 for i in range(1,35):43 if i==1:44 url=self.url145 data=self.getHtml(url)46 data=self.strDeal(data,i)[:-1]47 value=json.loads(data)48 f=open('wangyi2.txt','a')49 50 for item in value['hotPosts']:51 f.write(item['1']['f'].encode('utf-8')+'|')52 f.write(item['1']['b'].encode('utf-8')+'|')53 f.write(item['1']['v'].encode('utf-8')+'/n')54 f.close()55 print 'sleeping pageload %d/34'%i56 time.sleep(6)57 else:58 url=self.getUrls(i)59 data=self.getHtml(url)60 data=self.strDeal(data,i)[:-2]61 # 转换,一开始得到的数据类型为str,使用json.loads()函数,得到原始数据,此时的value的数据类型为dict,接下来就可以正常访问字典了。62 value=json.loads(data)63 f=open('wangyi2.txt','a')64 65 for item in value['newPosts']:66 f.write(item['1']['f'].encode('utf-8')+'|')67 f.write(item['1']['b'].encode('utf-8')+'|')68 f.write(item['1']['v'].encode('utf-8')+'/n')69 70 f.close()71 print 'sleeping pageload %d/34'%i72 time.sleep(6)73 74 75 js=JSON()76 js.parserJson()
新闻热点
疑难解答