[Python]消失在QQ空间里的青春

QQ空间，这个曾经陪我们从童年到少年再到成年，从2G时代再到如今的4G末，占据了我们太多的青春回忆，如今好友空间动态更新的不在像从前那样频繁。依稀记得当年的好友买卖，抢车位再或者情侣空间，现在想想那时候真的很幼稚，那就是我们傻逼的童年，什么互踩，火星文，跑堂见证了我们无忧无虑的童年。

有时候看看QQ推送的"那年今日"，看到自己好几年前发的动态，说的傻话，自己都怕了自己。有时候看到好朋友几年前的动态，不由笑骂道，这孙子，怎么这么2! 即使现在不怎么用QQ了，有时候看看曾经发的说说还有空间的留言。即使让我再尴尬也不舍得删，因为那都是青春满满的回忆。

空间留言上千条，说说也比较多，一页一页的翻比较麻烦。索性就把这些数据都下载到本地。同理我们也可以导出全部联系人的说说和留言板。

Selenium

由于访问好友留言板需要登录，为了方便起见我们使用Web应用程序测试的Selenium工具。该工具可以用于单元测试，集成测试，系统测试等等。它可以像真正的用户一样去操作浏览器等，支持Mozilla Firefox、Google Chrome、Safari、Opera、IE等等浏览器。

使用这个工具之前我们需要安装selenium库和下载相应浏览器的驱动。然后通过分析QQ空间登录界面我们发现默认是扫码登录，因此需要切换成账号密码登录。

通过分析html标签属性，我们发现 id="switcher_plogin"，是个切换登录的全局唯一属性。同理我们再需要找到账号、密码输入框和点击登录的元素就可以用selenium模拟登录了

登录部分代码如下：

from selenium import webdriver 
 
driver = webdriver.Chrome() 
    # 获取谷歌浏览器驱动 
    driver = webdriver.Chrome() 
    # 登录网站 
    driver.get('https://i.qq.com') 
    # 选择账号密码登录 
    driver.switch_to_frame('login_frame') 
    # 点击输入框获取输入 
    driver.find_element_by_id('switcher_plogin').click() 
    # 输入账号 
    driver.find_element_by_id('u').send_keys('你的qq号') 
    # 输入密码 
    driver.find_element_by_id('p').send_keys('qq密码') 
    # 点击登录 
    driver.find_element_by_id('login_button').click() 

工作前的参数准备

通过查看开发者工具中的请求我们发现，登录之后每次请求除了携带必要的参数以外，还携带了登录获取的token和g_tk。token我们可以从网页源代码中直接获取，但是g_tk在源代码中没有，根据以往经验第一步只能从js中查看，果然发现了一段加密代码，再结合上下文发现是从cookie中取出“p_skey”的值再经过一系列操作就是g_tk的值了。因为我们需要先获取cookie，然后再通过cookie获取g_tk。

部分js加密逻辑代码

if (e) { 
     if (e.host && e.host.indexOf("qzone.qq.com") > 0) { 
        try { 
           t = parent.QZFL.cookie.get("p_skey") 
        } catch(e) { 
           t = QZFL.cookie.get("p_skey") 
        } 
     }  
        ............ 
  } 
 
"g_tk=" + QZFL.pluginsDefine.getACSRFToken(t) 
 
QZFL.pluginsDefine.getACSRFToken._DJB = function(e) { 
        var t = 5381; 
        for (var n = 0, 
        r = e.length; n < r; ++n) { 
            t += (t << 5) + e.charCodeAt(n) 
        } 
        return t & 2147483647 
    }; 

获取token && cookie && g_tk代码

""" 
 获取g_tk的值 
""" 
def get_g_tk(cookie): 
    hashes = 5381 
    for letter in cookie['p_skey']: 
        hashes += (hashes << 5) + ord(letter) 
    return hashes & 0x7fffffff 
 
# 获取登录之后的cookie信息 
cookie = {} 
for elem in driver.get_cookies(): 
    cookie[elem['name']] = elem['value'] 
# 获取g_tk 
g_tk = get_g_tk(cookie) 
# 利用xpath获取登录之后的网页源代码 
html = driver.page_source 
xpath = r'window\.g_qzonetoken = \(function\(\)\{ try\{return "(.*?)";}' 
# 通过xpath 获得登录后的token 
token = re.compile(xpath).findall(html)[0] 

开始搞事

破解了一个简单的反爬虫，下面就可以编写正式的爬虫代码了，首先确定我们目标url、通过浏览器分析响应的json对象、编写headers

因为每次请求都需要携带登录信息，为了方便我们用到了session类，其次观察相应我们发现返回的response有无用的字符，因此需要进行截取

headers = { 
    'authority': 'user.qzone.qq.com', 
    'method': 'GET', 
    'scheme': 'https', 
    'accept-language': 'zh-CN,zh;q=0.9', 
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36', 
} 
 
def get_resp(cookie, g_tk, token, page): 
    session = requests.session() 
    # 将cookie字典转换成RequestsCookieJar 
    c = requests.utils.cookiejar_from_dict(cookie) 
    # 将headers 放入session 
    session.headers = headers 
    # RequestsCookieJar复制给session 
    session.cookies = c 
    # 访问留言板的url 
    url = f'https://user.qzone.qq.com/proxy/domain/m.qzone.qq.com/cgi-bin/new/get_msgb?uin={登陆的qq}&hostUin={要查询留言内容的QQ号}&start={page}&num=10&g_tk={g_tk}&qzonetoken={token}' 
    print(url) 
    response = session.get(url) 
    # 截取无用的字符 
    resp_text = response.text[10: -3] 
    # 转为json 
    resp_json = json.loads(resp_text) 
    return resp_json 

上面的方法，只是获得了某一页的接口相应，我们通过json获取留言总数，再除以每页的条数，就可以知道总页数了。然后再遍历去取每页的数据，为了方便查看将数据保存在csv文件中，另外将留言内容保存在txt文件中，生成词云。

def get_zone_xx(cookie, g_tk, token, page=0): 
    # 初始化请求为了取总条数 
    resp_json = get_resp(cookie, g_tk, token, page) 
    # 总条数 
    total = resp_json['data']['total'] 
    print(f'共{total}条留言信息') 
    # 总页数 
    size = int(total/10 + 1) 
    # 已经读取的信息条数 
    use_page = 0 
    # 保存每条数据信息，生成csv文件用 
    content_arr = [] 
    for i in range(0, size): 
        # 请求每一页的内容 
        resp_json = get_resp(cookie, g_tk, token, i) 
        # 当条数大于或等于总条数 跳出循环 
        if use_page >= total: 
            break 
        # 从每页数据中取出需要的字段值 
        for comment in resp_json['data']['commentList']: 
            use_page += 1 
            print(f'当前正在读取第{use_page}条') 
            page_json = [] 
            # 留言日期 
            page_json.append(comment['pubtime']) 
            # 昵称 
            page_json.append(comment['nickname']) 
            # 内容 
            content = replace_html(comment['htmlContent']) 
            # 将内容写入文本 生成词云用 
            with open('zone_text111.txt', 'a') as f: 
                f.write(content) 
 
            page_json.append(content) 
            content_arr.append(page_json) 

生成csv文件

# 将总数据转化为data frame再输出 
 df = pd.DataFrame(data=content_arr, 
                   columns=['留言日期', '昵称', '留言内容']) 
 df.to_csv('QQ_ZONE.csv', index=False, encoding='utf-8_sig') 
 print('已保存为csv文件.') 

运行上面代码生成csv文件部分内容如下

生成词云(wordcloud)代码如下

from wordcloud import WordCloud 
import matplotlib.pyplot as plt 
with open('zone_text.txt','r') as f: 
    mytext = f.read() 
 
font = r'C:\Windows\Fonts\simfang.ttf' 
wc = WordCloud(collocations=False, font_path=font, width=1400, height=1400, margin=2).generate(mytext) 
plt.imshow(wc) 
plt.axis("off") 
plt.show() 
 
plt.show() 

运行结果如下：

写在最后

上面的代码并没有太复杂，也许是触景生情，也许是对现在朋友圈各种乱七八糟的信息产生了抵触，所以试着去回忆青春的那些往事。

朋友圈和空间并不能去衡量一个人是是否成熟，但是对于大部分90后来说，空间真的是承载了太多纯真的回忆。不忘初心，砥砺前行!!!