手把手教你完成一个数据科学小项目（1）：数据爬取

前言

请先阅读“中国年轻人正带领国家走向危机”，这锅背是不背？ 一文，以对“手把手教你完成一个数据科学小项目”系列有个全局性的了解。

本系列将全面涉及本项目从爬虫、数据提取与准备、数据异常发现与清洗、分析与可视化等细节，并将代码统一开源在GitHub：DesertsX/gulius-projects ，感兴趣的朋友可以先行 star 哈。

爬虫

抓包一下，你就知道

在新的页面处，点击“点击加载更多”就可以一直加载出评论数据：

接着在页面处鼠标右键后选“审查元素”，按照下图（一般新窗口出现在下方，这里为了挡后面的广告，移到了右边）的顺序，点击 "netword" >> 点"All" >> 多次点击加载评论>>观察4中重复加载的内容，并结合5中“previw”，确定下前者就是爬虫入口的 url，后者就是加载出的评论数据：

以上是网页端抓包的一般流程，接下来看看5边上“headers”里的:

对比下多次加载评论后其他的 Request URL，可以看出变化的参数仅为和。

前者 就是加载的页数，用总评论数除以每次加载的20条，算下即可。后者 初看起来像是随机数，但有些经验的应该能猜到是时间戳，结合参数里的 猜想是评论开始加载的13位时间戳与结束时间戳的后8位：

其实前一个项目当你点开这首《八月》的歌：9400余条评论的分析与挖掘 里就遇到了13位时间戳的问题，因为以前碰到的都是10位的，所以也注意了下。

将参数里的数字转换成正常的时间格式后，能看到与当下加载评论的时刻相近，就可以确认上述判断无误；而后面8的时间戳采用随机构造即可。

接下来，开始爬取所有评论前，测试下爬虫能否正常获取数据，打印一两页看看：

构造 url，并用 requests 库发送 get 请求，发现不用带其它参数，就能拿到数据，异常轻松。注意：这里的数据也就是上文标记为5的“previews”里的内容。

这里截取掉前34个字符，拿到干净的字典样格式的字符串，方便后续操作和提取数据：

然后重新发送请求，提取并打印部分评论数据：

罗列下前3条的输出：

0 用户957zwswd 2018-08-08 14:21:26 这是什么沙雕 浙江嘉兴

1尾尾2018-08-08 14:21:25 有啊，税制改革了，有学生、老人的家庭有税收优惠，也就意味着，单身要交更多的税了。 宁夏银川

2 可乐味的我想和你天下第一好 2018-08-08 14:21:24 那叫探索，叫探索时的必经之路[作揖] 河南洛阳

爬虫走你~

经过上述探索，确认能获取到数据后，就可以开爬了，代码不难，新手朋友可以试着自己完成：

小结

爬取到数据后，就可以“为所欲为”的进行花式分析了（好吧，其实还需要进一步处理下）。大家可以读取数据，看看每行每列的格式是什么样的。

这里说明下，爬虫里是先按照每页20条评论的字典或列表的格式整体存储的，那么随之而来的问题就是，如何根据这些列来提取出每一条评论的数据，并存储到新的里呢？

可自行尝试下如何用 pandas 实现哈。更多内容将在本系列后续文章中逐步展开。本系列涉及的从爬虫、数据提取与准备、数据异常发现与清洗、分析与可视化等的代码，统一开源在GitHub：DesertsX/gulius-projects，感兴趣的朋友可以先行 star 哈。

GitHub：DesertsX/gulius-projects

https://github.com/DesertsX/gulius-projects