【超详细】QQ空间说说爬取教程

文章目录

【超详细】QQ空间说说爬取教程
- 环境
- selenium模拟登录
- 说说内容获取
- - 破解g_tk
- 说说的评论获取
- 说说的点赞人获取
- - url参数构成
- 好友列表获取
- 数据库的存储
- 如何加速
- ps

暑假闲来无事，研究了一下QQ空间的爬取，以下是一些记录

环境

系统: win10
语言: python3.7
浏览器: Chrome
数据库: mysql 8.0

selenium模拟登录

QQ空间的反爬做的相对较好，而且由于好友权限的原因，我们要先登录后再进行说说等信息的获取

selenium是获取登录cookies的一大利器，非常方便

在空间的登陆界面可以观察到，登录的窗口与背景窗口是分开的，所以我们需要先切换frame

切换窗口后定位到账号密码登录元素的位置后点击

使用send_keys函数把账号和密码写入对应位置后定位登录元素后点击，这里使用自带的get_cookies函数获取到cookies，但是这个cookies需要过滤一下，具体操作看以下代码

代码为类的部分节选，完整代码在最后，未声明的变量皆为类的成员变量

def login_func(self,z):browser = webdriver.Chrome()browser.maximize_window()browser.get(self.login_url)time.sleep(1.2)browser.switch_to.frame('login_frame')browser.find_element_by_id('switcher_plogin').click()time.sleep(1)browser.find_element_by_id('u').send_keys(self.number)browser.find_element_by_id('p').send_keys(self.password)time.sleep(1)browser.find_element_by_id('login_button').click()time.sleep(1)cookies_list = browser.get_cookies()for cookie in cookies_list:if 'name' in cookie and 'value' in cookie:self.cookies[cookie['name']] = cookie['value']# print(self.cookies)with open('cookie_dict_{}.txt'.format(z),'w') as f:    # 这里是为了一次性多刷几次cookies建立一个cookies池，便于加快爬虫速度，后面再提json.dump(self.cookies,f)# browser.close()

说说内容获取

在打开开发者工具后，在众多XHR对象中发现emotion_cgi……里面的msglist即是说说的内容

这里的msglist是个列表，里面有0-20条不等的说说，可能跟空间发的说说的形式问题相关，至多不超过20条

稍微猜测一下这里的参数的含义，一眼明了的我就不说了，我不清楚的也没有肆意揣度

cmtnum 转发数

commentlist 评论列表，里面是每条说说的评论内容

conlist 内容的一个列表，里面有两个参数，一个是内容一个不知道有啥作用，取内容的话直接取下面的content也是一样的

created_time 说说发表的时间戳

isEditable 是否编辑过

lbs 位置信息

name 你给的备注，没备注就是昵称

pic 如果发的说说有图片则在这个键下面，但是如果没有图片则没有这个键

pictotal 图片数量，没有图片则没有这个键

rt_sum 猜测是转发数量

source_appid 说说来自的app标识

source_name 说说来自的设备名称

source_url 说说来自的网址

tid 这个是每个说说独一无二的标识，可能是根据某些变量使用特定的算法得出的，直接使用即可

uin 该说说的作者QQ

当然如果是转发的说说，这里还会多别的一些键值，我这里未对转发说说进行处理，只是单纯地取出该QQ转发时发送的内容，有兴趣的朋友可以加以改进

下面我们看一下这个内容的获取网址构成

在Headers选项中可以看网址的构成参数

经过尝试发现，uin后面对应目标QQ号，sort可能对应排序方式，我采取的默认值0，pos这是个关键参数，其改变决定了返回数据的范围，num是返回的说说数量，我选用的是默认值，不知道增大会有什么变化，读者可以尝试

最后一个关键参数是g_tk，这是个加密参数，有了这个才能正确登录

破解g_tk

经过网上的搜索发现是js，破解的方法见下图

随意点开一个人的空间，进行如下操作

搜索g_tk=后面的关键词

找到对应的函数，这里的函数读一下之后将其转成对应的python语言即可

def get_g_tk(self):p_skey = self.cookies['p_skey']t = 5381for i in p_skey:t += (t<<5) + ord(i)return t & 2147483647

说说的评论获取

这里没什么好说的，数据返回是跟说说一起的，在commentlist的键里面，里面的键值对和外面的类似，这里就不赘述了，值得一提的是，外面的cmtnum返回的评论数是指单独的回复数量，也就是跟楼的评论数量不被统计，跟楼的评论在每条父评论的里面，对应键list_3

说说的点赞人获取

框内可以点击，点击后出现

同时右边出现一个

这里对应的内容为

is_dolike 我是否点赞了

like_uin_info 点赞这条说说的朋友的信息（除我以外

total_number 总共的点赞数量

每位点赞好友里面还有一些信息，我这里就没有赘述，那些键值都看得懂

url参数构成

那么还需要知道的就是url的构成，老方法，先看headers

那tid在哪里呢

之前的msglist里每条说说底下对应都存在一条tid，这里就是它的用武之地了！

好友列表获取

我在网上看到过很多个版本

我自己也都尝试了一下，以下的版本获取到的好友信息与QQ好友是最一致的

进入自己的空间后在设置中点权限设置

找到对应的项，friendlist里面即是，但是只有50条，如果你点开了xxx个QQ好友并向下滚动后查看url构成

就会发现

offset偏移量用来查看更多的好友

如果是最后一页，返回的字典中的键end的值为1

数据库的存储

由于对数据库的使用不是十分熟练，这里单纯只是为了存一下，有很多弊端，例如图片的存储

而且用的很丑陋，这段代码可以忽略

def check_exist(self,uid):cursor = self.conn.cursor()cursor.execute("show databases")content = [i[0] for i in cursor.fetchall()]if uid not in content:cursor.execute('create database `{}`;'.format(uid))cursor.execute('use `{}`;'.format(uid))msg = '''create table msg(id text,name char(100),content TEXT,createtime timestamp,tid char(32),location char(32),posx int(20),posy int(20),comment_num int(11),like_num int(11),pic_url TEXT,pic_num int,source_appid char(32),source_name char(32),is_tran char,trans_num char(32),trans_content TEXT);'''cursor.execute(msg)cmt = '''create table comment(tid char(32),id text,name char(100),content TEXT,createtime timestamp,reply TEXT)'''cursor.execute(cmt)like_table='''create table like_table(tid char(32),id text,name char(100),addr char(32),constellation char(32),gender char(4),if_qq_friend int(1),if_special_care int(1),is_special_vip int(1),portrait TEXT)'''cursor.execute(like_table)self.conn.commit()return 1else:return 0

如何加速

采取的是线程池，开多个线程同时跑

由于说说内容和点赞人的信息是两个请求，所以这之间需要一个暂停，否则很容易被拒绝请求

但是这样的方法还是有些问题的，尽管线程数增加了，同时爬取了多个空间，但是由于一个空间只是一个cookies，相当于一个空间还是单线程

后来修改了一下，搭了一个cookies池，15个线程爬同一个空间，速度明显加快，大约是2分钟600条说说，也就是1200+次访问，这还是在每次请求后暂停2-3s后的结果，由于测试的时候我的网络并不稳定，所以这个结果并不是最好结果，但即使是在网络不稳定的情况下，爬虫依旧十分稳定，并且只要cookies池够大，线程数就可以增加，效率自然也就会往上提

但是最新版本还没有提供多人同时爬取（代码还没写好，暂时鸽一下，有空改

最后啰嗦一句，如果是新号，频繁登录会被认定为异常，在午夜12点之后频繁登录也会被认定为异常，白天就很正常

ps

被拒绝访问的好友会被记录，但是这部分的数据库我是单独创建的，代码如下（不完整，自己补全

cursor.execute('create database `deny`;')
cursor.execute('use `deny`;')
s = '''
create table deny_friends
(
id text,
name text
)
'''
cursor.execute(s)

以下是源码地址
github源码地址

如果你觉得以上内容对你有所帮助，希望你能为我点个赞鼓励创作！谢谢~