向AI转型的程序员都关注了这个号👇👇👇
大数据挖掘DT数据分析 公众号： datadw
本文github源码地址：
在公众号 datadw 里 回复 云音乐 即可获取。
本文利用Python2.7根据网易云音乐歌曲ID爬取了该歌曲的所有用户评论数据。以id是28875120的歌曲《小岁月太着急》为示例，通过Chrome的DevTools工具获取已加密评论数据，然后基于AES对称加密算法对已加密数据进行解密实现，最后使用Python成功实现了对用户评论数据的抓取与保存。
利用DevTools工具获取加密数据
进入 http://music.163.com/#/song?id=28875120
页面，打开Chrome的DevTools工具选择Network并重载页面，找到与评论数据相关的请求即name为R_SO_4_28875120?csrf_token=90e04572eb42b040167323ec2fcdd79f的POST请求，如下图所示：
查看该请求信息，可知Request Headers参数如下：
其中的POST Request URL完整地址为 ：
http://music.163.com/weapi/v1/resource/comments/R_SO_4_28875120?csrf_token=90e04572eb42b040167323ec2fcdd79f
并且，该Form
Data含有params和encSecKey两个参数，显然，这两个参数是经过js加密后的。服务器返回的和评论相关的数据为json格式的，里面含有非常丰富的信息（比如有关评论者的信息，评论日期，点赞数，评论内容等等），同时，通过查看第一张图可知该请求的Initiator为core.js，因此需要通过查看该js源码来分析两个参数的值。
根据源代码分析加密数据
AES加密算法分析
AES（Advanced Encryption Standard）对称加密算法是一种高级数据加密标准，可有效抵制针对DES的攻击算法。特点：密钥建立时间短、灵敏性好、内存需求低、安全性高。
将core.js文件clone到本地并对其格式化，发现params和encSecKey两个参数同时出现在以下代码中：
params的值为byw6q.encText，encSecKey的值为byw6q.encSecKey，而byw6q是由window.asrsea()这个函数得到，定位这个函数发现他其实是d(d, e, f, g)函数，该d函数代码如下图所示：
由代码可知，d函数对json格式的明文数据params调用了两次AES对称加密（即b函数）：第一次对params的值d加密，key是第四个参数g，第二次对第一次加密结果h.encText值进行加密并更新encText值，key是长度为16的随机字符串i(不妨设其值为16个F)。而且，在b加密函数中，密钥偏移量iv值为”0102030405060708”，密码工作模式model值为CBC，即密文链接分组密码工作模式（明文加密前需要先和前面的密文进行异或运算，也就是相同的明文加密后产生不同的密文）。而d函数的第一个参数JSON.stringify(j5o)的值由j5o决定，在不同的请求下随着j5o的变化会有不同的值，而后面的三个参数均为定值。
获取 params值的代码如下：
# 第二个参数
second_param = "010001"
# 第三个参数
third_param = "00e0b509f6259df8642dbc35662901477df22677ec152b
5ff68ace615bb7b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f561
35fccf695280104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46
bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc
6935b3ece0462db0a22b8e7"
# 第四个参数
forth_param = "0CoJUm6Qyw8W8jud"
def
get_params(page): # page为传入页数
iv = "0102030405060708"
first_key = forth_param
second_key = 16 * 'F'
if(page == 1):
# offset的取值为:(评论页数-1)*20,total第一页为true，其余页为false
first_param = '{rid:"", offset:"0", total:"true", limit:"20", csrf_token:""}'
h_encText = AES_encrypt(first_param, first_key, iv)
else:
offset = str((page-1)*20)
first_param = '{rid:"", offset:"%s", total:"%s", limit:"20", csrf_token:""}'
%(offset,'false')
h_encText = AES_encrypt(first_param, first_key, iv)
h_encText = AES_encrypt(h_encText, second_key, iv)
return h_encText
encSecKey的值由c(i, e, f)函数，其参数均为常数，因此无论歌曲id或评论页数如何变化，该值均不变。获取encSecKey值的代码如下：
def get_encSecKey():
encSecKey = "257348aecb5e556c066de214e531faadd1c55d
814f9be95fd06d6bff9f4c7a41f831f6394d5a3fd2e3881736d94a02
ca919d952872e7d0a50ebfa1769a7a62d512f5f1ca21aec60bc3819a
9c3ffca5eca9a0dba6d6f7249b06f5965ecfff3695b54e1c28f3f6
24750ed39e7de08fc8493242e26dbc4484a01c76f739e135637c"
return encSecKey
AES解密算法实现
这里用到的AES算法为AES-128-CBC，密钥偏移量iv值为”0102030405060708”，分组密码填充方式为PKCS5Padding（即需对待加解密块按需补位），输出格式为base64。对称算法中加密与解密实现一致，代码如下：
def AES_encrypt(text, key, iv):
pad = 16 - len(text) % 16
text = text + pad * chr(pad)
encryptor = AES.new(key, AES.MODE_CBC, iv)
encrypt_text = encryptor.encrypt(text)
encrypt_text = base64.b64encode(encrypt_text)
return encrypt_text
使用Python抓取评论数据
抓取评论数据
获取json格式的评论数据的代码如下：
proxies= {
'http:':'http://121.232.146.184',
'https:':'https://144.255.48.197'
}def get_json(url, params, encSecKey):
data = {
"params": params,
"encSecKey": encSecKey
}
response = requests.post(url,
headers=headers, data=data,proxies = proxies)
return response.content
抓取热门评论的代码如下：
def get_hot_comments(url):
hot_comments_list = []
hot_comments_list.append(u"用户ID 用户昵称 用户头像地址 评论时间 点赞总数
评论内容\n")
params = get_params(1)
encSecKey = get_encSecKey()
json_text = get_json(url,params,encSecKey)
json_dict = json.loads(json_text)
hot_comments = json_dict['hotComments']
print("共有%d条热门评论!" % len(hot_comments))
for item in hot_comments:
comment = item['content']
likedCount = item['likedCount']
comment_time = item['time']
userID = item['user']['userID']
nickname = item['user']['nickname']
avatarUrl = item['user']['avatarUrl']
comment_info = userID + " " + nickname + " " + avatarUrl + " " +
comment_time + " " + likedCount + " " + comment + u"\n"
hot_comments_list.append(comment_info)
return hot_comments_list
抓取全部评论的代码如下：
def get_all_comments(url):
all_comments_list = []
all_comments_list.append(u"用户ID 用户昵称 用户头像地址 评论时间 点赞总数 评论内容\n")
params = get_params(1)
encSecKey = get_encSecKey()
json_text = get_json(url,params,encSecKey)
json_dict = json.loads(json_text)
comments_num = int(json_dict['total']) if(comments_num % 20 == 0):
page = comments_num / 20
else:
page = int(comments_num / 20) + 1
print("共有%d页评论!" % page) for i in range(page):
params = get_params(i+1)
encSecKey = get_encSecKey()
json_text = get_json(url,params,encSecKey)
json_dict = json.loads(json_text) if i == 0:
print("共有%d条评论!" % comments_num)
for item in json_dict['comments']:
comment = item['content']
likedCount = item['likedCount']
comment_time = item['time']
userID = item['user']['userId']
nickname = item['user']['nickname']
avatarUrl = item['user']['avatarUrl']
comment_info = unicode(userID) + u" " + nickname + u" " + avatarUrl + u" " + unicode(comment_time) + u" " + unicode(likedCount) + u" " + comment + u"\n"
all_comments_list.append(comment_info)
print("第%d页抓取完毕!" % (i+1)) return all_comments_list
写入文本文件
将已获得的评论数据写入文本文件，代码如下：
def save_to_file(list,filename):
with codecs.open(filename,'a',encoding='utf-8') as f:
f.writelines(list)
print("写入文件成功!")
利用Python获得数据结果
获取Headers数据
获取headers代码如下：
headers = { 'Accept':"*/*", 'Accept-Encoding':"gzip, deflate",
'Accept-Language':"zh-CN,zh;q=0.8", 'Connection':"keep-alive",
'Content-Length':"416", 'Content-Type':"application/x-www-form-urlencoded", 'Cookie':"_ntes_nnid=61528ed156a887c721f86bb28fb76864,1498012702495; ...; __csrf=880488a01f19e0b9f25a81842477c87b", 'Host':"music.163.com", 'Origin':"http://music.163.com", 'Referer':"http://music.163.com/", 'User-Agent':"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
}
数据抓取实现
安装pycrypto
#pip uninstall Crypto#pip uninstall pycryptopip install pycrypto
抓取数据
from Crypto.Cipher
import AESimport base64
import requests
import jsonimport codecsimport time
if __name__ == "__main__":
start_time = time.time()
url = "http://music.163.com/weapi/v1/resource/comments/R_SO_4_28875120?csrf_token=90e04572eb42b040167323ec2fcdd79f"
filename = u"小岁月太着急.txt"
all_comments_list = get_all_comments(url)
save_to_file(all_comments_list,filename)
end_time = time.time()
print("程序耗时%f秒." % (end_time - start_time))
数据结果输出
代码实现
ZerodeMBP:~ zero$ cd /Users/zero/Documents/163mc_spider
ZerodeMBP:163mc_spider zero$ python 163mc_spider.py
共有22页评论!
共有434条评论!
第1页抓取完毕!
第2页抓取完毕!
...
第22页抓取完毕!
写入文件成功!
程序耗时3.193853秒.
评论数据查看
http://blog.csdn.net/weixin_37325825/article/details/73556908
人工智能大数据与深度学习
搜索添加微信公众号：weic2c
长按图片，识别二维码，点关注
大数据挖掘DT数据分析
搜索添加微信公众号：datadw
教你机器学习，教你数据挖掘
长按图片，识别二维码，点关注
