python爬取网易评论

学习python不久，最近爬的网页都是直接源代码中直接就有的，看到网易新闻的评论时，发现评论时以json格式加载的.....

爬的网页是习大大2015访英的评论页http://comment.news.163.com/news_guonei8_bbs/SPEC0001B60046CG.html

步骤如下：

1.使用谷歌浏览器分析网页首页加载的数据

打开网页----按下F12----点击Network，此时是空的

刷新以后，会出现如下图：(我以前加载过页面，所以json数据显示的不全)

点击其中的一个json格式的文件，找到url，并在网页中打开，看看是不是自己想要的数据：

我第一次访问网页的时候打了三个，只有一个是并论的内容，首页的网址为：

http://comment.news.163.com/data/news_guonei8_bbs/df/SPEC0001B60046CG_1.html?_=14455959217790

数据为：

2.其他评论页

在点击其他评论页时，先点击一下Network中的清除按钮，方便查找json---从第二页开始观察，几乎都一样

点击找到url，并在浏览器中打开

数据虽然是乱码的，在Python中读取到的是可以正常查看的

3.网址规律

一开始以为网址后面的有什么规律，后来发现去掉也没影响，

所以只要把页数换成对应的评论页就好了(我只能打开34页??)

4.代码

注：由于数据开始有变量名，结尾有分号，在使用json.loads(data)时报错，所以先对数据进行处理

 # encoding=utf-8

 import urllib2
 import json
 import re
 import time
 class JSON():
     def __init__(self):
         self.user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
         self.headers={'User-Agent':self.user_agent}
         self.url1='http://comment.news.163.com/data/news_guonei8_bbs/df/SPEC0001B60046CG_1.html'
     def getUrls(self,pageIndex):
         url2='http://comment.news.163.com/cache/newlist/news_guonei8_bbs/SPEC0001B60046CG_'+str(pageIndex)+'.html'
         return url2
     def getHtml(self,url):
         try:
             request=urllib2.Request(url,headers=self.headers)
             respone=urllib2.urlopen(request)
             html=respone.read()
             return html
         except urllib2.URLError,e:
             if hasattr(e,'reason'):
                 print u"连接失败",e.reason
                 return  None
     #处理字符串，没有处理干净的可以再打开文件进行处理
     def strDeal(self,data,pageIndex):
         if pageIndex==1:
             data=data.replace('var replyData=','')
         else:
             data=data.replace('var newPostList=','')
         reg=re.compile("&nbsp;\[<a href=''>")
         data=reg.sub('--',data)
         reg2=re.compile('<\\\/a>\]')#<\/a>]的正则?
         data=reg2.sub('',data)
         reg3=re.compile('<br>')
         data=reg3.sub('',data)
         return data
     #解析json数据并存入文件
     def parserJson(self):
         with open('wangyi2.txt','a') as f:
             f.write('用户ID'+'|'+'评论'+'|'+'点赞数'+'\n')
         for i in range(1,35):
             if i==1:
                 url=self.url1
                 data=self.getHtml(url)
                 data=self.strDeal(data,i)[:-1]
                 value=json.loads(data)
                 f=open('wangyi2.txt','a')

                 for item in value['hotPosts']:
                     f.write(item['']['f'].encode('utf-8')+'|')
                     f.write(item['']['b'].encode('utf-8')+'|')
                     f.write(item['']['v'].encode('utf-8')+'\n')
                 f.close()
                 print 'sleeping pageload %d/34'%i
                 time.sleep(6)
             else:
                 url=self.getUrls(i)
                 data=self.getHtml(url)
                 data=self.strDeal(data,i)[:-2]
                 # 转换，一开始得到的数据类型为str，使用json.loads()函数，得到原始数据，此时的value的数据类型为dict，接下来就可以正常访问字典了。
                 value=json.loads(data)
                 f=open('wangyi2.txt','a')

                 for item in value['newPosts']:
                     f.write(item['']['f'].encode('utf-8')+'|')
                     f.write(item['']['b'].encode('utf-8')+'|')
                     f.write(item['']['v'].encode('utf-8')+'\n')

                 f.close()
                 print 'sleeping pageload %d/34'%i
                 time.sleep(6)

 js=JSON()
 js.parserJson()