【Python3爬蟲】網易雲音樂爬蟲

這次的目標是爬取網易雲音樂上指定歌曲全部評論並生成詞雲

 

具體步驟：

一：實現JS加密

 找到這個ajax接口沒什麼難度，問題在於傳遞的數據，是經過js加密獲得的，所以須要查看js代碼。

經過斷掉調試能夠找到數據是由core_8556f33641851a422ec534e33e6fa5a4.js?8556f33641851a422ec534e33e6fa5a4.js裏的window.asrsea函數加密的。

經過進一步的查找，能夠找到下面這個函數：

function() {
    // 生成長度爲16的隨機字符串
    function a(a) {
        var d, e, b = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789", c = "";
        for (d = 0; a > d; d += 1)
            e = Math.random() * b.length,
            e = Math.floor(e),
            c += b.charAt(e);
        return c
    }
    // 實現AES加密
    function b(a, b) {
        var c = CryptoJS.enc.Utf8.parse(b)
          , d = CryptoJS.enc.Utf8.parse("0102030405060708")
          , e = CryptoJS.enc.Utf8.parse(a)
          , f = CryptoJS.AES.encrypt(e, c, {
            iv: d,
            mode: CryptoJS.mode.CBC
        });
        return f.toString()
    }
    // 實現RSA加密
    function c(a, b, c) {
        var d, e;
        return setMaxDigits(131),
        d = new RSAKeyPair(b,"",c),
        e = encryptedString(d, a)
    }
    // 獲得加密後的結果
    function d(d, e, f, g) {
        var h = {}
          , i = a(16);
        return h.encText = b(d, g),
        h.encText = b(h.encText, i),
        h.encSecKey = c(i, e, f),
        h
    }
    function e(a, b, d, e) {
        var f = {};
        return f.encText = c(a + e, b, d),
        f
    }
}()

所以咱們須要用Python實現上面四個函數。第一個生成隨機字符串的函數沒難度，實現的代碼以下：

1 # 生成隨機字符串
2 def generate_random_string(length):
3     string = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789"
4     # 初始化隨機字符串
5     random_string = ""
6     # 生成一個長度爲length的隨機字符串
7     for i in range(length):
8         random_string += string[int(floor(random() * len(string)))]
9     return random_string

第二個是實現AES加密的函數，而用AES加密須要使用Crypto這個庫。若是沒有安裝這個庫的話，須要先安裝pycrypto庫，而後再安裝Crypto庫。在成功安裝以後，若是import的時候沒有Crypto而只有crypto，先打開Python安裝目錄下的Lib\site-packages\crypto文件夾，若是裏面有Cipher文件夾，就返回到Lib\site-packages目錄下把crypto重命名爲Crypto，而後應該就能夠成功導入了。

因爲AES加密的明文長度必須是16的倍數，所以咱們須要對明文進行必要的填充，以知足它的長度是16的倍數，AES加密的模式是AES.MODE_CBC,初始化向量iv='0102030405060708′。

實現AES加密的代碼以下：

 1 # AES加密
 2 def aes_encrypt(msg, key):
 3     # 若是不是16的倍數則進行填充
 4     padding = 16 - len(msg) % 16
 5     # 這裏使用padding對應的單字符進行填充
 6     msg += padding * chr(padding)
 7     # 用來加密或者解密的初始向量(必須是16位)
 8     iv = '0102030405060708'
 9     # AES加密
10     cipher = AES.new(key, AES.MODE_CBC, iv)
11     # 加密後獲得的是bytes類型的數據
12     encrypt_bytes = cipher.encrypt(msg)
13     # 使用Base64進行編碼,返回byte字符串
14     encode_string = base64.b64encode(encrypt_bytes)
15     # 對byte字符串按utf-8進行解碼
16     encrypt_text = encode_string.decode('utf-8')
17     # 返回結果
18     return encrypt_text

第三個是實現RSA加密的函數，在RSA加密中，明文和密文都是數字，RSA的密文是對錶明明文的數字的E次方求mod N 的結果，RSA加密後獲得的字符串長爲256，這裏不夠長咱們用x字符填充。

實現RSA加密的代碼以下：

 1 # RSA加密
 2 def rsa_encrypt(random_string, key, f):
 3     # 隨機字符串逆序排列
 4     string = random_string[::-1]
 5     # 將隨機字符串轉換成byte類型數據
 6     text = bytes(string, 'utf-8')
 7     # RSA加密
 8     sec_key = int(codecs.encode(text, encoding='hex'), 16) ** int(key, 16) % int(f, 16)
 9     # 返回結果
10     return format(sec_key, 'x').zfill(256)

第四個函數是獲得兩個加密參數的函數，傳入的四個參數，第一個參數JSON.stringify(i3x)是如下內容，其中offset和limit參數是必需要有的，offset的值是(頁數-1)*20，limit的值是20

'{"offset":'+str(offset)+',"total":"True","limit":"20","csrf_token":""}'

第二個參數，第三個參數和第四個參數的值都是根據Zj4n.emj獲得的：

encText的值是經過兩次AES加密獲得的，encSecKey是經過RSA加密獲得的，實現的具體代碼以下：

 1 # 獲取參數
 2 def get_params(page):
 3     # 偏移量
 4     offset = (page - 1) * 20
 5     # offset和limit是必選參數,其餘參數是可選的
 6     msg = '{"offset":' + str(offset) + ',"total":"True","limit":"20","csrf_token":""}'
 7     key = '0CoJUm6Qyw8W8jud'
 8     f = '00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7b725152b3ab17a87' \
 9         '6aea8a5aa76d2e417629ec4ee341f56135fccf695280104e0312ecbda92557c93870114af6c9' \
10         'd05c4f7f0c3685b7a46bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b' \
11         '8e289dc6935b3ece0462db0a22b8e7'
12     e = '010001'
13     # 生成長度爲16的隨機字符串
14     i = generate_random_string(16)
15     # 第一次AES加密
16     enc_text = aes_encrypt(msg, key)
17     # 第二次AES加密以後獲得params的值
18     encText = aes_encrypt(enc_text, i)
19     # RSA加密以後獲得encSecKey的值
20     encSecKey = rsa_encrypt(i, e, f)
21     return encText, encSecKey

 

2、解析並保存評論

經過查看preview的信息能夠發現用戶名和評論內容都是保存在json格式的數據裏的

所以解析起來會很容易，直接提取nickname和content就行了。對於獲得的數據，都保存在以歌名爲文件名的txt文件中。實現的代碼以下：

 1 # 爬取評論內容
 2 def get_comments(data):
 3     # data=[song_id,song_name,page_num]
 4     url = 'https://music.163.com/weapi/v1/resource/comments/R_SO_4_' + str(data[0]) + '?csrf_token='
 5     # 獲得兩個加密參數
 6     text, key = get_params(data[2])
 7     # 發送post請求
 8     res = requests.post(url, headers=headers, data={"params": text, "encSecKey": key})
 9     if res.status_code == 200:
10         print("正在爬取第{}頁的評論".format(data[2]))
11         # 解析
12         comments = res.json()['comments']
13         # 存儲
14         with open(data[1] + '.txt', 'a', encoding="utf-8") as f:
15             for i in comments:
16                 f.write(i['content'] + "\n")
17     else:
18         print("爬取失敗！")

 

3、生成詞雲

在進行這一步以前，須要先安裝好jieba和wordcloud兩個模塊，jieba模塊是一個用於中文分詞的模塊，wordcloud模塊是一個用於生成詞雲的模塊，能夠自行了解學習。

這部分就不贅述了，具體代碼以下：

 1 # 生成詞雲
 2 def make_cloud(txt_name):
 3     with open(txt_name + ".txt", 'r', encoding="utf-8") as f:
 4         txt = f.read()
 5     # 結巴分詞
 6     text = ''.join(jieba.cut(txt))
 7     # 定義一個詞雲
 8     wc = WordCloud(
 9         font_path="font.ttf",
10         width=1200,
11         height=800,
12         max_words=100,
13         max_font_size=200,
14         min_font_size=10
15     )
16     # 生成詞雲
17     wc.generate(text)
18     # 保存爲圖片
19     wc.to_file(txt_name + ".png")

最後生成的詞雲以下：

 

完整代碼已經上傳到GitHub！