Python爬取4027条脉脉职言，解读互联网人的苦与难！

脉脉是一个实名职场社交平台。之前爬了脉脉职言版块，大概爬了4027条评论，本文对爬取过程给出详细说明，对于评论内容仅做可视化分析，之前存了一堆这方面的文章，今天一看全都404了”。

爬虫

仍然使用python编程，对爬虫没兴趣的可以直接跳过看下部分，不影响悦读。

网址https://maimai.cn/gossip_list。

需要先登录才能看到里面的内容。爬取目标：

只爬文字部分，图片不考虑。

在浏览器内按F12打开开发者，向下滑，会看到很多gossip开头的json文件(不行的话刷新一下)

右键open in new tab，里面是一条一条记录，text后面是评论内容。

我们感兴趣的信息是下面这些

看一看每个网站的地址，都是page=数字结尾，所以爬的时候写一个循环，数字从1开始往后取就可以了。

https://maimai.cn/sdk/web/gossip_list?u=206793936&channel=www&version=4.0.0&_csrf=coAlLvgS-UogpI75vEgHk4O1OQivF2ofLce4&access_token=1.9ff1c9df8547b2b2c62bf58b28e84b97&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22rE8q1xp6fZlxvwygWJn1UFDjrmMXDrSE2tc6uDKNIDZtRErng0FRwvduckWMwYzn8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22&page=1&jsononly=1 

json的最开头有total和remain两个参数，给出了目前所有可见评论剩余数和总数，可以作为循环的停止条件。

但比较坑的一点是，脉脉并不能可见所有评论，而且评论是不断刷新的，所有如果爬完一页循环到下一页或者尝试过很多次之后，他会提示你：

直接看的时候有这样的提示会体验很好，但对于爬虫来说就不是很友好了，，需要加个if判断。

另外爬的太快，也会出错，记得加time.sleep。

大概把能踩的坑都踩了，所以如果顺利的话，每次只能爬几百条信息，想爬更多的话，需要过一段时间等信息更新的差不多了再爬，代码如下

# -*- coding: utf-8 -*- 
""" 
Created on Fri Oct 19 18:50:03 2018 
""" 
import urllib 
import requests 
from fake_useragent import UserAgent 
import json 
import pandas as pd 
import time 
import datetime 
#comment_api = 'https://maimai.cn/sdk/web/gossip_list?u=206793936&channel=www&version=4.0.0&_csrf=7ZRpwOSi-JHa7JrTECXLA8njznQZVbi7d4Uo&access_token=1.b7e3acc5ef86e51a78f3410f99aa642a&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22xoNo1TZ8k28e0JTNFqyxlxg%2BdL%2BY6jtoUjKZwE3ke2IZ919o%2FAUeOvcX2yA03CAx8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22&page={}&jsononly=1' 
# 发送get请求 
comment_api = 'https://maimai.cn/sdk/web/gossip_list?u=206793936&channel=www&version=4.0.0&_csrf=FfHZIyBb-H4LEs35NcyhyoAvRM7OkMRB0Jpo&access_token=1.0d4c87c687410a15810ee6304e1cd53b&uid=%22MRlTFjf812rF62rOeDhC6vAirs3A3wL6ApgZu%2Fo1crA%3D%22&token=%22G7rGLEqmm1wY0HP4q%2BxpPFCDj%2BHqGJFm0mSa%2BxpqPg47egJdXL%2FriMlMlHuQj%2BgM8CKuzcDfAvoCmBm7%2BjVysA%3D%3D%22&page={}&jsononly=1' 
""" 
author：作者 
text：评论 
cmts ：评论数 
circles_views：被查看数 
spread ：转发数 
likes ：点赞数 
time : 时间 
 
""" 
 
 
headers = { "User-Agent": UserAgent(verify_ssl=False).random} 
j = 0 
k = 0 
response_comment = requests.get(comment_api.format(0),headers = headers) 
json_comment = response_comment.text 
json_comment = json.loads(json_comment) 
num = json_comment['total'] 
cols = ['author','text','cmts','likes','circles_views','spreads','time'] 
dataall = pd.DataFrame(index = range(num),columns = cols) 
remain = json_comment['remain'] 
print(remain) 
while remain!= 0 : 
   n = json_comment['count'] 
   for i in range(n): 
       if json_comment['data'][i]['text'] !='下面内容已经看过了，点此刷新': 
           dataall.loc[j,'author'] = json_comment['data'][i]['author'] 
           dataall.loc[j,'text'] = json_comment['data'][i]['text'] 
           dataall.loc[j,'cmts'] = json_comment['data'][i]['cmts'] 
           dataall.loc[j,'likes'] = json_comment['data'][i]['likes'] 
           dataall.loc[j,'circles_views'] = json_comment['data'][i]['circles_views'] 
           dataall.loc[j,'spreads'] = json_comment['data'][i]['spreads'] 
           dataall.loc[j,'time'] = json_comment['data'][i]['time'] 
 
           j+= 1              
       else: 
           k = -1     
           break                              
   k+= 1 
   comment_api1 = comment_api.format(k)     
   response_comment = requests.get(comment_api1,headers = headers) 
   json_comment = response_comment.text 
   json_comment = json.loads(json_comment) 
   remain = json_comment['remain'] 
   print('已完成 {}% !'.format(round(j/num*100,2))) 
   time.sleep(3)           
dataall = dataall.dropna() 
dataall = dataall.drop_duplicates() 
 
dataall.to_csv('data_20181216_part3.csv',index = False) 

数据可视化

（编辑：晋中站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!