#coding:utf-8 #!/usr/bin/python3 from selenium import webdriver import time import re import importlib2 import sys importlib2.reload(sys) def startSpider(): driver = webdriver.Chrome('/Users/zachary/zachary/chromedriver.exe') #这个是chormedriver的地址 driver.get('https://qzone.qq.com/') driver.switch_to.frame('login_frame') driver.find_element_by_id('switcher_plogin').click() driver.find_element_by_id('u').clear() driver.find_element_by_id('u').send_keys('QQ号') #这里填写你的QQ号 driver.find_element_by_id('p').clear() driver.find_element_by_id('p').send_keys('QQ密码') #这里填写你的QQ密码 driver.find_element_by_id('login_button').click() time.sleep(2) #设置爬取内容保存路径 f = open('/Users/zachary/Documents/shuoshuo.txt','w') #---------------获得g_qzonetoken 和 gtk html = driver.page_source '''g_qzonetoken=re.search('window\.g_qzonetoken = \(function\(\)\{ try\{return (.*?);\} catch\(e\)',html)#从网页源码中提取g_qzonetoken''' g_qzonetoken = "e794139a284d6ea9e0b26826e541b55df37d0667a3544f534de25aebdb64628d3ab75e1d7104bbb22a" cookie = {}#初始化cookie字典 for elem in driver.get_cookies():#取cookies cookie[elem['name']] = elem['value'] gtk=getGTK(cookie)#通过getGTK函数计算gtk #print(g_qzonetoken) #print(gtk) #--------------获得好友列表 注意下面的链接 driver.get('https://user.qzone.qq.com/proxy/domain/r.qzone.qq.com/cgi-bin/tfriend/friend_hat_get.cgi?hat_seed=1&uin=你的QQ号fupdate=1&g_tk='+str(gtk)+'&qzonetoken='+str(g_qzonetoken)+'&g_tk='+str(gtk)) friend_list = driver.page_source friend_list = str( friend_list ) abtract_pattern = re.compile('\"(.\d*)\":\{\\n"realname":"(.*?)"}',re.S) QQ_name_list = re.findall(abtract_pattern,str(friend_list)) #数组 print(QQ_name_list) numList=dict()# numList => (QQnum:QQname) #列表 for i in QQ_name_list: numList[str(i[0])]=str(i[1]) begin = 0 last_source = "" tag = 1 first = 0 firstTime="" #如果要爬取自己的说说，手动添加自己的qq号 #numList['你的qq号']='你的名字' #print(numList) for key in numList.keys(): QQnum = key QQname = numList[QQnum] if QQnum == "好友qq号": #根据qq号查找指定好友说说 count = 1 begin = 0 while tag==1 : #-------------进入好友说说页面 #'+QQnum+' '+str(begin)+' #print("Begin:"+str(begin)) driver.get('https://user.qzone.qq.com/proxy/domain/taotao.qq.com/cgi-bin/emotion_cgi_msglist_v6?uin='+QQnum+'&ftype=0&sort=0&pos='+str(begin)+'&num=40&replynum=200&g_tk='+str(gtk)+'&callback=_preloadCallback&code_version=1&format=jsonp&need_private_comment=1&qzonetoken='+str(g_qzonetoken)+'&g_tk='+str(gtk)) try: msg_list_json = driver.page_source except: begin = begin + 40 continue msg_list_json = str(msg_list_json) if last_source==msg_list_json : break else: last_source=msg_list_json #检测是否没有权限访问 abtract_pattern = re.compile(',"message":"(.*?)","name":',re.S) message = re.findall(abtract_pattern,str(msg_list_json)) if message!=[]: if str(message[0])=='对不起,主人设置了保密,您没有权限查看':#对不起,主人设置了保密,您没有权限查看 break #print(msg_list_json) #解析JSON #webDriver没有现成的JSON解析器，所以采用获取源码的方式，然后使用正则表达式获取具体细节 msg_list_json = msg_list_json.split("msglist")[1]#拆分json，缩小范围，也能加快解析速度 msg_list_json = msg_list_json.split("smoothpolicy")[0] msg_list_json = msg_list_json.split("commentlist")[1:] #说说动态分4种：1、文字说说（或带有配图的文字说说） # 2、只有图片的说说 # 3、转发，并配有文字 # 4、转发，不配文字 for text in msg_list_json: # 1、先检查说说，用户是否发送了文字，如果没有文字，正则表达式匹配无效 abtract_pattern = re.compile('\}\],"content":"(.*?)","createTime":"(.*?)","created_time":(.*?),"',re.S) msg_time = re.findall(abtract_pattern,str(text)) if msg_time!=[]: # 2、如果作者说说有文字，那么检查是否有转发内容 msg = str(msg_time[0][0]) sendTime = str(msg_time[0][1]) abtract_pattern = re.compile('\}\],"content":"(.*?)"},"rt_createTime":"(.*?)","',re.S) text = text.split("created_time")[1] msg_time2 = re.findall(abtract_pattern,str(text)) #合并发送内容 格式：评论+转发内容 if msg_time2!=[]: msg = msg +" 转发内容:"+str(msg_time2[0][0]) else: # 3、说说内容为空，检查是否为 =>只有图片的说说 or 转发，不配文字 #获取正文发送时间 （发送时间分为：正文发送时间 or 转发时间） abtract_pattern = re.compile('"conlist":null,"content":"","createTime":"(.*?)",',re.S) msgNull_time = re.findall(abtract_pattern,str(text)) if msgNull_time!=[]: #如果有正文发送时间，那么就是这条说说仅含有图片 =>只有图片的说说 msg = "图片" sendTime = str(msgNull_time[0]) else: #如果没有正文发送时间，那么就是说这条说为 =>转发，不配文字 abtract_pattern = re.compile('\}\],"content":"(.*?)"},"rt_createTime":"(.*?)","',re.S) msg_time = re.findall(abtract_pattern,str(text)) msg =" 转发内容:"+str(msg_time[0][0]) sendTime = str(msg_time[0][1]) #写入本地文件 #f.write('{},{},{},{}\n'.format(str(QQname),str(QQnum),sendTime,msg)) print(str(count)+" : "+str(QQname)+" : "+str(QQnum)+" : "+sendTime+" : "+msg) count = count + 1 begin = begin + 40 def getGTK(cookie): hashes = 5381 for letter in cookie['p_skey']: hashes += (hashes << 5) + ord(letter) return hashes & 0x7fffffff startSpider() print("爬取结束")
