10 行代码就能把公众号文章评论爬下来，有点耸人听闻?如果我跟你说是用 Python 实现的，你可能会信了，因为 Python 确实很强大，写个简单爬虫真的只要几行代码就可以搞定，这次爬的是微信的数据，相对来说要麻烦一点。这里讨论的是如何爬自己公众号下面文章的评论，有人说别人文章能抓取吗?理论上都可以，但凡是你能看到的都可以爬，不过，这篇文章讨论的是自己文章，思路都是相通的，希望本文可以给你一些启迪。
1. 获取Cookie
因为是爬自己微信号文章里面的评论，首先你需要登录公众号后台，登录后才能看到文章的评论，登录就会涉及到 cookie，发起请求时只有带上 cookie 才能得到正确的数据。所以***步就是把 cookie 信息取到。
打开 Chrome 浏览器你会看到发送请求时会自动把 Cookie 信息发送给微信，我们就把这段 Cookie 数据拷贝出来，用 Python 构建一个 Cookie 对象，给 requests 使用。
- from http.cookies import SimpleCookie
- raw_cookie = "gsScrollPos-5517=; ..中间还省略很多... bizuin=2393828"
- cookie = SimpleCookie(raw_cookie)
- requests_cookies = dict([(c, cookie[c].value) for c in cookie])
- r = requests.get(url, cookies=requests_cookies)
2. 构造URL
打开任意文章的评论列表，你会发现它的 URL 结构非常清晰，根据名字基本能判断每个参数的意义，这里比较重要的参数是 begin，它是作为分页的起始位置，其实它固定不变就好
- url = "https://mp.weixin.qq.com/misc/appmsgcomment?" \
- "action=list_comment&" \
- "mp_version=7&" \
- "type=0&" \
- "comment_id=2881104117&" \ # 被评论的文章ID
- "begin=0&" \ # 分页参数
- "count=10&" \ # 每次返回10条评论
- "token=1300595798&" \
- "lang=zh_CN"
3. 抓取数据
把 Cookie 和 URL 都搞清楚了，就可以把模拟浏览器抓取数据并进行清洗，开始想着用 BeautifulSoup 来解析网页，结果失败了。
查找了原因，把爬下来的页面另存为 html 文件，在 html 源代码文件中找留言里面的关键字，发现评论并没有在 div 标签中，而是存在于一段 JS 代码块中，看起来像 JSON 数据，看来数据是在本地用 JavaScript 渲染后显示的。
于是改用正则表达式，截取需要的数据，最终存储数据库，差不多10代码搞定。
- def main():
- # 普通留言, 精选留言总数
- normal_count, selected_count = 141, 100
- # 普通留言url
- normal_url = "https://mp.weixin.qq.com/misc/appmsgcomment?"
- dd = dict([(normal_count, selected_url)])
- for k, v in dd.items():
- crawler(k, v)
- def crawler(count, url):
- for i in range(0, count, 10):
- r = requests.get(url.format(begin=i), cookies=requests_cookies)
- match = re.search(r'"comment":(\[\{.*\}\])', r.text, re.S)
- if match:
- data = json.loads(match.group(1), encoding="utf-8")
- conn.insert_many(data)
- time.sleep(1)
【本文是51CTO专栏作者“刘志军”的原创文章，作者微信公众号：Python之禅(VTtalk)】
