【爬虫软件】快手评论区采集：自动采集10000多条，含二级评论、展开评论！

原创

马哥python说

发布于 2024-03-21 12:41:53

2930

发布于 2024-03-21 12:41:53

文章被收录于专栏：Python爬虫Python爬虫

一、背景说明

1.1 效果演示

您好！我是@马哥python说，一名10年程序猿。

我用python开发了一个爬虫采集软件，可自动抓取快手评论数据，并且含二级评论！

为什么有了源码还开发界面软件呢？方便不懂编程代码的小白用户使用，无需安装python、无需懂代码，双击打开即用！

爬取结果截图：

以上。

1.2 演示视频

软件运行演示视频：

【软件演示】快手评论采集工具，可爬取上万条，含二级评论、展开评论！

1.3 软件说明

几点重要说明！！

1. Windows用户可直接双击打开使用，无需Python运行环境，非常方便！
2. 需要填入cookie和爬取目标视频链接。
3. 支持同时爬多个视频的评论。
4. 可爬取9个关键字段，含：目标链接,页码,评论者昵称,评论者id,评论者主页链接,评论时间,评论点赞数,评论级别,评论内容。
5. 评论中包含二级评论及二级展开评论。
6. 爬取结果自动导出到csv文件。

二、代码讲解

2.1 爬虫采集模块

首先，定义接口地址作为请求地址：

# 请求地址
url = 'https://www.kuaishou.com/graphql'

定义一个请求头，用于伪造浏览器：

# 请求头
h1 = {
	'Accept': '*/*',
	'Accept-Encoding': 'gzip, deflate, br',
	'Accept-Language': 'zh-CN,zh;q=0.9',
	'Connection': 'keep-alive',
	'Content-Type': 'application/json',
	'Cookie': self.cookie_val,
	'Host': 'www.kuaishou.com',
	'Origin': 'https://www.kuaishou.com',
	'Referer': 'https://www.kuaishou.com',
	'Sec-Fetch-Dest': 'empty',
	'Sec-Fetch-Mode': 'cors',
	'Sec-Fetch-Site': 'same-origin',
	'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36',
	'sec-ch-ua': '"Google Chrome";v="119", "Chromium";v="119", "Not?A_Brand";v="24"',
	'sec-ch-ua-mobile': '?0',
	'sec-ch-ua-platform': '"macOS"',
}

其中，cookie是个关键参数，需要填写到软件界面里。

加上请求参数，告诉程序你的爬取条件是什么：

# 请求参数
params = {"operationName": "commentListQuery",
		  "variables": {
			  "photoId": video_id,
			  "pcursor": pcursor,
		  },
		  "query": "query commentListQuery($photoId: String, $pcursor: String) {\n  visionCommentList(photoId: $photoId, pcursor: $pcursor) {\n    commentCount\n    pcursor\n    rootComments {\n      commentId\n      authorId\n      authorName\n      content\n      headurl\n      timestamp\n      likedCount\n      realLikedCount\n      liked\n      status\n      authorLiked\n      subCommentCount\n      subCommentsPcursor\n      subComments {\n        commentId\n        authorId\n        authorName\n        content\n        headurl\n        timestamp\n        likedCount\n        realLikedCount\n        liked\n        status\n        authorLiked\n        replyToUserName\n        replyTo\n        __typename\n      }\n      __typename\n    }\n    __typename\n  }\n}\n"}

下面就是发送请求和接收数据：

# 发送请求
r = requests.post(url, json=params, headers=h1)
# 接收json数据
json_data = r.json()

定义一些空列表，用于存放解析后字段数据：

content_list = []  # 评论内容
create_time_list = []  # 评论时间
like_count_list = []  # 评论点赞数
author_name_list = []  # 评论者昵称
author_id_list = []  # 评论者id
author_link_list = []  # 评论者链接
comment_level_list = []  # 评论级别

循环解析字段数据，以"评论内容"为例：

# 循环解析
for data in json_data['data']['visionCommentList']['rootComments']:
	# 评论内容
	content = data['content']
	self.tk_show('评论内容:' + content)
	content_list.append(content)

其他字段同理，不再赘述。

最后，是把数据保存到csv文件：

# 保存数据到DF
df = pd.DataFrame(
	{
		'目标链接': 'https://www.kuaishou.com/short-video/' + video_id,
		'页码': page,
		'评论者昵称': author_name_list,
		'评论者id': author_id_list,
		'评论者主页链接': author_link_list,
		'评论时间': create_time_list,
		'评论点赞数': like_count_list,
		'评论级别': comment_level_list,
		'评论内容': content_list,
	}
)
# 保存到csv
if os.path.exists(self.result_file):  # 如果文件存在，不再设置表头
	header = False
else:  # 否则，设置csv文件表头
	header = True
df.to_csv(self.result_file, mode='a+', index=False, header=header, encoding='utf_8_sig')
self.tk_show('视频[{}]第{}页已保存到csv'.format(video_id, page))

完整代码中，还含有：游标控制翻页、判断循环结束条件、时间戳转换、二级评论及二级展开评论的采集等关键实现逻辑，详见文末。

2.2 软件界面模块

软件界面采用tkinter开发。

主窗口部分：

# 创建主窗口
root = tk.Tk()
root.title('快手评论采集软件v1.0 | 马哥python说')
# 设置窗口大小
root.minsize(width=850, height=650)

填写cookie控件：

# 【填入Cookie】
tk.Label(root, justify='left', font=('微软', 14), text='个人Cookie:').place(x=30, y=75)
entry_ck = tk.Text(root, bg='#ffffff', width=110, height=2, )
entry_ck.place(x=30, y=100, anchor='nw')  # 摆放位置

填写视频链接控件：

# 【视频链接】
tk.Label(root, justify='left', font=('微软', 14), text='视频链接:').place(x=30, y=185)
video_ids = tk.StringVar()
video_ids.set('')
entry_nt = tk.Text(root, bg='#ffffff', width=110, height=12, )
entry_nt.place(x=30, y=210, anchor='nw')  # 摆放位置

底部软件版权说明：

# 版权信息
copyright = tk.Label(root, text='@马哥python说 All rights reserved.', font=('仿宋', 10), fg='grey')
copyright.place(x=290, y=625)

以上。

2.3 日志模块

好的日志功能，方便软件运行出问题后快速定位原因，修复bug。

核心代码：

def get_logger(self):
	self.logger = logging.getLogger(__name__)
	# 日志格式
	formatter = '[%(asctime)s-%(filename)s][%(funcName)s-%(lineno)d]--%(message)s'
	# 日志级别
	self.logger.setLevel(logging.DEBUG)
	# 控制台日志
	sh = logging.StreamHandler()
	log_formatter = logging.Formatter(formatter, datefmt='%Y-%m-%d %H:%M:%S')
	# info日志文件名
	info_file_name = time.strftime("%Y-%m-%d") + '.log'
	case_dir = r'./logs/'
	info_handler = TimedRotatingFileHandler(filename=case_dir + info_file_name,
											when='MIDNIGHT',
											interval=1,
											backupCount=7,
											encoding='utf-8')