Tip:本文仅供学习与交流，切勿用于非法用途！！！

前言

前段时间微博上关于某日记的评论出现了严重的两极分化，出于好奇的我想对其中的评论以及相关用户做一个简单的分析，于是我在网上找了相关的代码，简单的修改了cookies等参数就Run起来了。
既然没报错！！ 我很震惊，从未若此畅快过~
随后便分析起来，过了一会就发现：事情并不简单，数据是重复的！！
没错，重复率如此之高，令人发指。于是，我开始了我的探索之路~
说明：整体代码还是借鉴了之前大佬的，主要是解决了数据重复的问题，如有侵权还请联系！

一、整体思路

思路也比较清楚，我画了一个极其简单的流程图：

至于这里为什么主评论和子评论要分开获取，这也是解决重复问题的关键，通过测试可以知道直接按照规律修改页面参数或者通过.cn的页面爬取，在到达一定的数量后（大概是几百）就无法得到数据或是出现数据重复。

二、获取微博地址

访问微博用户页面时的请求URL为：

https://weibo.com/xxxxxxxxx?is_search=0&visible=0&is_all=1&is_tag=0&profile_ftype=1&page=1 

其中通过修改page参数，即可控制页码，但是细心的小伙伴应该发现了，一页的数据除了直接加载的HTML之外，还有两次是通过ajax动态获取的：

start_ajax_url1 = 'https://weibo.com/p/aj/v6/mblog/mbloglist?ajwvr=6&domain=%s&is_all=1&page={0}&pagebar=0&pl_name=Pl_Official_MyProfileFeed__20&id=%s&script_uri=/%s&pre_page={0}'%(domain,page_id,user) start_ajax_url2 = 'https://weibo.com/p/aj/v6/mblog/mbloglist?ajwvr=6&domain=%s&is_all=1&page={0}&pagebar=1&pl_name=Pl_Official_MyProfileFeed__20&id=%s&script_uri=/%s&pre_page={0}'%(domain,page_id,user) 

也就是说，每页数据有三部分组成：

1、获取ajax地址

通过主界面，获取相应的ajax请求地址：

def get_ajax_url(user):     url = 'https://weibo.com/%s?page=1&is_all=1'%user     res = requests.get(url, headers=headers,cookies=cookies)     html  = res.text     page_id = re.findall("CONFIG['page_id']='(.*?)'",html)[0]     domain = re.findall("CONFIG['domain']='(.*?)'",html)[0]     start_ajax_url1 = 'https://weibo.com/p/aj/v6/mblog/mbloglist?ajwvr=6&domain=%s&is_all=1&page={0}&pagebar=0&pl_name=Pl_Official_MyProfileFeed__20&id=%s&script_uri=/%s&pre_page={0}'%(domain,page_id,user)     start_ajax_url2 = 'https://weibo.com/p/aj/v6/mblog/mbloglist?ajwvr=6&domain=%s&is_all=1&page={0}&pagebar=1&pl_name=Pl_Official_MyProfileFeed__20&id=%s&script_uri=/%s&pre_page={0}'%(domain,page_id,user) return start_ajax_url1,start_ajax_url2 

2、解析页面中的微博地址

发送请求后，解析页面中的微博地址（主页面请求或AJAX请求相同）：

def parse_home_url(url):      res = requests.get(url, headers=headers,cookies=cookies)     response = res.content.decode().replace("\", "")     every_id = re.compile('name=(d+)', re.S).findall(response) # 获取次级页面需要的id     home_url = [] for id in every_id:         base_url = 'https://weibo.com/aj/v6/comment/big?ajwvr=6&id={}&from=singleWeiBo'         url = base_url.format(id)         home_url.append(url) return home_url 

3、获取指定用户微博地址

将上面两个函数整合，得到：

def get_home_url(user,page):      start_url = 'https://weibo.com/%s?page={}&is_all=1'%user     start_ajax_url1,start_ajax_url2 = get_ajax_url(user) for i in range(page):          home_url = parse_home_url(start_url.format(i + 1)) # 获取每一页的微博         ajax_url1 = parse_home_url(start_ajax_url1.format(i + 1)) # ajax加载页面的微博         ajax_url2 = parse_home_url(start_ajax_url2.format(i + 1)) # ajax第二页加载页面的微博         all_url = home_url + ajax_url1 + ajax_url2         print('第%d页解析完成'%(i+1)) return all_url 

参数为用户的ID，以及爬取的页数，返回结果则为每条微博的地址。

三、获取主评论

简单分析请求数据可以知道，获取微博评论的接口为：

https://weibo.com/aj/v6/comment/big?ajwvr=6&id=4498052401861557&root_comment_max_id=185022621492535&root_comment_max_id_type=0&root_comment_ext_param=&page=1&from=singleWeiBo 

一个很耀眼的page参数映入眼帘，而且似乎其他参数去掉之后请求也正常，也许你第一反应是写个循环直接获取不就OK了，emmmm，然后你就将陷入数据重复的恐怖原点。似乎root_comment_max_id这个参数也很重要，得想法获得。通过进一步分析可以发现，其实在请求返回的数据中，已经包含了下一步请求的地址，只需要提取出来再继续往下即可：

代码如下：

def parse_comment_info(data_json):      html = etree.HTML(data_json['data']['html'])     name = html.xpath("//div[@class='list_li S_line1 clearfix']/div[@class='WB_face W_fl']/a/img/@alt")     info = html.xpath("//div[@node-type='replywrap']/div[@class='WB_text']/text()")     info = "".join(info).replace(" ", "").split("n")     info.pop(0)     comment_time = html.xpath("//div[@class='WB_from S_txt2']/text()") # 评论时间     name_url = html.xpath("//div[@class='WB_face W_fl']/a/@href")     name_url = ["https:" + i for i in name_url]     ids = html.xpath("//div[@node-type='root_comment']/@comment_id") try:         next_url = 'https://weibo.com/aj/v6/comment/big?ajwvr=6&from=singleWeiBo&'+html.xpath('/html/body/div/div/div[%d]/@action-data'%(len(name)+1))[0]+'&__rnd='+str(int(time.time()*1000)) except: try:             next_url = 'https://weibo.com/aj/v6/comment/big?ajwvr=6&from=singleWeiBo&'+html.xpath('/html/body/div/div/a/@action-data')[0]+'&__rnd='+str(int(time.time()*1000)) except:             next_url = ''     comment_info_list = [] for i in range(len(name)):          item = {}         item["id"] = ids[i]         item["name"] = name[i] # 存储评论人的网名         item["comment_info"] = info[i][1:] # 存储评论的信息         item["comment_time"] = comment_time[i] # 存储评论时间         item["comment_url"] = name_url[i] # 存储评论人的相关主页 try:             action_data = html.xpath("/html/body/div/div/div[%d]//a[@action-type='click_more_child_comment_big']/@action-data"%(i+1))[0]             child_url = 'https://weibo.com/aj/v6/comment/big?ajwvr=6&from=singleWeiBo&' + action_data             item["child_url"] = child_url         except:             item["child_url"] = ''             comment_info_list.append(item) return comment_info_list,next_url 

参数为请求的json数据，返回解析后的数据，以及下一个地址，数据格式如下：

其中child_url即为相对应子评论地址，进一步获取子评论。

四、获取子评论

获取子评论的思路和获取主评论的思路是一致的，当我们获取完所有主评论之后，便遍历结果，当child_url不为空时（即有子评论），则进行请求获取子评论。

1、解析子评论

def parse_comment_info_child(data_json):      html = etree.HTML(data_json['data']['html'])     name = html.xpath("//div[@class='list_li S_line1 clearfix']/div/div[1]/a[1]/text()")     info=html.xpath("//div[@class='list_li S_line1 clearfix']/div/div[1]/text()")     info = "".join(info).replace(" ", "").split("n")     info.pop(0)     comment_time = html.xpath("//div[@class='WB_from S_txt2']/text()") # 评论时间     name_url = html.xpath("//div[@class='list_li S_line1 clearfix']/div/div[1]/a[1]/@href")     name_url = ["https:" + i for i in name_url]     ids = html.xpath("//div[@class='list_li S_line1 clearfix']/@comment_id") try:         next_url = 'https://weibo.com/aj/v6/comment/big?ajwvr=6&from=singleWeiBo&'+html.xpath('/html/body/div[%d]/div/a/@action-data'%(len(name)+1))[0]+'&__rnd='+str(int(time.time()*1000)) except:         next_url = ''     comment_info_list = [] for i in range(len(name)):          item = {}         item["id"] = ids[i]         item["name"] = name[i] # 存储评论人的网名         item["comment_info"] = info[i][1:] # 存储评论的信息         item["comment_time"] = comment_time[i] # 存储评论时间         item["comment_url"] = name_url[i] # 存储评论人的相关主页         comment_info_list.append(item) return comment_info_list,next_url 

2、获取子评论

整合调用上一个函数，获得相应的子评论：

def get_childcomment(url_child): print('开始获取子评论...')     comment_info_list = []     res = requests.get(url_child, headers=headers, cookies=cookies)     data_json = res.json()     count = data_json['data']['count']     comment_info,next_url = parse_comment_info_child(data_json)     comment_info_list.extend(comment_info) print('已经获取%d条'%len(comment_info_list)) while len(comment_info_list) < count: if next_url == '': break         res = requests.get(next_url,headers=headers,cookies=cookies)         data_json = res.json()         comment_info,next_url = parse_comment_info_child(data_json)         comment_info_list.extend(comment_info) print('已经获取%d条'%len(comment_info_list)) return comment_info_list 

参数为child_url，返回为对应的子评论。

五、主函数调用

1、导入相关库

import re import time import json import urllib import requests from lxml import etree 

2、主函数执行

if "__main__" == __name__: # 设置相应参数     headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:75.0) Gecko/20100101 Firefox/75.0', 'Accept': '*/*', 'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2', 'Content-Type': 'application/x-www-form-urlencoded', 'X-Requested-With': 'XMLHttpRequest', 'Connection': 'keep-alive', }     cookies = {} # 微博cookies(需要自己获取请求得到)     userid = '' # 需要爬取的微博用户ID     page = 1 # 爬取的页数 # 开始爬取     all_urls = get_home_url(userid,page) for index in range(len(all_urls)):         url = all_urls[index] print('开始获取第%d个微博主评论...'%(index+1))         comment_info_list = []         res = requests.get(url, headers=headers, cookies=cookies)         data_json = res.json()         count = data_json['data']['count']         comment_info,next_url = parse_comment_info(data_json)         comment_info_list.extend(comment_info) print('已经获取%d条'%len(comment_info_list)) while True: if next_url == '': break             res = requests.get(next_url,headers=headers,cookies=cookies)             data_json = res.json()             comment_info,next_url = parse_comment_info(data_json)             comment_info_list.extend(comment_info) print('已经获取%d条'%len(comment_info_list)) for i in range(len(comment_info_list)):             child_url = comment_info_list[i]['child_url'] if child_url != '':                 comment_info_list[i]['child'] = get_childcomment(child_url) else:                 comment_info_list[i]['child'] = [] with open('第%d条微博评论.txt'%(index+1),'w') as f:             f.write(json.dumps(comment_info_list)) 

3、结果

获取了10条微博数据，如下：

写在最后

当然，还有很多不足之处，比如速度不太理想，结构比较混乱。考虑过加入多线程等办法加快速度，不过由于需要登陆，所以有封号风险哦，大家慎重~

最后，感谢各位大大的耐心阅读~
慢着，大侠请留步… 动起可爱的双手，来个赞再走呗 (๑◕ܫ￩๑)