gitee网站中项目的评论爬取(selenium)

文章目录

• 前言
• 一、首先分析网页
• 二、编写代码
• 总结

前言

本次我们要获取的是gitee网站中搜索java得到的项目的所有评论，并将评论和回复区分开。先看看效果。

编写代码

1.分析网页

搜索的结果图是这个，看上面的链接我们通过多点击几页，发现链接中的pageno是当前的页数，q为搜索的参数。这样我们就可以更改这俩个参数获取到我所需要的所有url。



然后我们点击其中一个链接。比如下图的这个项目就有107个评论，注意结尾还有一个加载更多，它不是一次性显示出来所有评论的，需要不停的点击加载更多直到没有为止。


对于一般的评论我们获取到源码后可以很轻松的获取到，但要如何将回复和评论区分开，并将回复与该条评论放在一起呢。查看网页结构后我们发现可以通过class属性值为comment的div标签分开后，然后再在每一个div标签下提取评论，第一条评论为主评论，后面的都为该条评论的回复。

解决了这个问题后，我们还需要注意一些特殊的评论。
比如有@某人的评论，以及一些被屏蔽了的评论。这些评论的标签定位有点不一样，需要针对处理一下。
![屏幕截图 2021-05-04 011233](https://img-hello-world.oss-cn-beijing.aliyuncs.c

2.编写代码

首先是获取搜索结果的链接。

def get_url(start,end):
'''
:strart: 起始页
:end: 结束页
'''
    # 获取起始页到结束页的所有项目链接
    while True:
        try:
            t_url = []
            h_url = 'https://search.gitee.com/?skin=rec&type=repository&q=java&pageno='
            headers = {
                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36 Edg/89.0.774.76',
            }
            for i in range(start,end+1):
                new_url = h_url + str(i)
                print(f'正在获取第{i}页所有链接')
                res = requests.get(new_url,headers = headers).text
                # print(res)
                html = etree.HTML(res)
                x_urls = html.xpath('//div[@class="title"]/a[@class="ns" and @target="_blank"]/@href')
                x_urls.pop(0)
                # print(len(x_urls))
                t_url.append({str(i):x_urls})
                time.sleep(1)
            # print(t_url)
        except BaseException:
            print('正在重新获取该页链接')
        else:
            break
    return t_url

然后是获取一个链接的网页源码的函数。里面的time.sleep里的值需要根据自己的网速进行调整。

def get_html(url):
    #获取项目页面的源码
    while True:
        try:
            #打开谷歌浏览器
            wd = webdriver.Chrome()
            #发起请求
            wd.get(url)
            while True:
                #寻找加载更多按钮进行点击
                html = wd.page_source
                h1 = etree.HTML(html)
                button = h1.xpath('//div[@class="ui link button btn-load-more"]')
                #找不到按钮退出
                if len(button) == 0:
                    break
                #寻找结束按钮
                later = h1.xpath('//div[@class="ui link button btn-load-more disabled"]')
                if len(later) == 0:
                    #找不到结束按钮则加载更多
                    i = wd.find_element_by_xpath('//*[@class="ui link button btn-load-more"]')
                    i.click()
                    time.sleep(0.5)
                else:
                    break
        except BaseException:
            wd.quit()
            time.sleep(0.5)
            print("正在重新获取")
        else:
            # 正常结束则关闭浏览器
            wd.quit()
            time.sleep(0.5)
            break
    return html

然后是解析网页源码，提取出评论。

def get_i(lists):
    # 获取屏蔽评论的索引
    a = []
    new_lists = enumerate(lists)
    for new_list in new_lists:
        if new_list[1] == '此条评论已被系统屏蔽':
            a.append(new_list[0])
    return a

def jianxi(data):
    #解析xml
    # print(data)
    # 匹配出每一个大的评论块标签，包含回复
    # strs = re.findall('
|
\n
    strs = re.findall(
        '
|
\n,
        data, re.S)
    html = etree.HTML(data)
    #匹配该项目的名称
    title = html.xpath('//head//meta[@itemprop="name"]/@content')
    #匹配该项目的评论数量
    num = html.xpath('//span[@class="comments-count"]/text()')
    try:
        num = num[0].split()
    except IndexError:
        print("该项目无评论，请查看页面确认")
        all_data = {'title': title[0], 'comment_num': '0'}
        print(all_data)
        return all_data
    nu = 0  # 用于检测评论数是否正确
    comments = []   #用于存储评论
    if int(num[0]) != 0:
        for str1 in strs:
            # 匹配出评论者和评论时间
            # print(str1)
            str2 = etree.HTML(str1)
            comments_authors = str2.xpath('//a[@class="author js-popover-card"]/text()')
            comments_times = str2.xpath('//span[@class="timeago"]/@title')
            # 匹配出一个评论和回复所在的标签
            str3 = re.findall('
|
',str1, re.S)
            comments_comments = []
            for str4 in str3:
                str5 = etree.HTML(str4)
                # 匹配出评论并拼接
                comments_comment = str5.xpath('//p//text() | //div[@class="author blocked-title pb-2"]/text()')
                co = ''
                for com in comments_comment:
                    co += com
                comments_comments.append(co)
                nu += 1
            b = get_i(comments_comments)
            # 检测是否存在被系统屏蔽的评论
            if len(b) != 0:
                comments_authors.insert(b[0], '系统屏蔽')
            c0 = comments_comments.pop(0)
            a0 = comments_authors.pop(0)
            t0 = comments_times.pop(0)
            # 检测是否存在回复
            if len(comments_comments) != 0:
                c = [{a0: c0, 'time': t0}]
                d = []
                for i in range(len(comments_comments)):
                    d.append({comments_authors[i]: comments_comments[i], 'time': comments_times[i]})
                c.append({'回复': d})
                comments.append(c)
            else:
                comments.append([{a0: c0, 'time': t0}])
    else:
        print('该项目无评论')
    #检测评论数量是否正确
    if nu == int(num[0]):
        print(('解析正确'))
    else:
        print('解析错误')
        print(f'缺少{int(num[0])-nu}条评论')
    if num[0] != 0:
        all_data = {'title':title[0],'comment_num':nu,'comment':comments}
    else:
        all_data = {'title': title[0], 'comment_num': num[0]}
    print(all_data)
    return all_data

3.总的代码

from selenium import webdriver
import requests
from lxml import etree
import time
import re

def get_url(start,end):
    # 获取前100页的所有项目链接
    while True:
        try:
            t_url = []
            h_url = 'https://search.gitee.com/?skin=rec&type=repository&q=java&pageno='
            headers = {
                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36 Edg/89.0.774.76',
            }
            for i in range(start,end+1):
                new_url = h_url + str(i)
                print(f'正在获取第{i}页所有链接')
                res = requests.get(new_url,headers = headers).text
                # print(res)
                html = etree.HTML(res)
                x_urls = html.xpath('//div[@class="title"]/a[@class="ns" and @target="_blank"]/@href')
                x_urls.pop(0)
                # print(len(x_urls))
                t_url.append({str(i):x_urls})
                time.sleep(1)
            # print(t_url)
        except BaseException:
            print('正在重新获取该页链接')
        else:
            break
    return t_url

def get_html(url):
    #获取项目页面的源码
    while True:
        try:
            #打开谷歌浏览器
            wd = webdriver.Chrome()
            #发起请求
            wd.get(url)
            while True:
                #寻找加载更多按钮进行点击
                html = wd.page_source
                h1 = etree.HTML(html)
                button = h1.xpath('//div[@class="ui link button btn-load-more"]')
                #找不到按钮退出
                if len(button) == 0:
                    break
                #寻找结束按钮
                later = h1.xpath('//div[@class="ui link button btn-load-more disabled"]')
                if len(later) == 0:
                    #找不到结束按钮则加载更多
                    i = wd.find_element_by_xpath('//*[@class="ui link button btn-load-more"]')
                    i.click()
                    time.sleep(0.5)
                else:
                    break
        except BaseException:
            wd.quit()
            time.sleep(0.5)
            print("正在重新获取")
        else:
            # 正常结束则关闭浏览器
            wd.quit()
            time.sleep(0.5)
            break
    return html

def get_i(lists):
    # 获取屏蔽评论的索引
    a = []
    new_lists = enumerate(lists)
    for new_list in new_lists:
        if new_list[1] == '此条评论已被系统屏蔽':
            a.append(new_list[0])
    return a

def jianxi(data):
    #解析xml
    # print(data)
    # 匹配出每一个大的评论块标签，包含回复
    # strs = re.findall('
|
\n
    strs = re.findall(
        '
|
\n,
        data, re.S)
    html = etree.HTML(data)
    #匹配该项目的名称
    title = html.xpath('//head//meta[@itemprop="name"]/@content')
    #匹配该项目的评论数量
    num = html.xpath('//span[@class="comments-count"]/text()')
    try:
        num = num[0].split()
    except IndexError:
        print("该项目无评论，请查看页面确认")
        all_data = {'title': title[0], 'comment_num': '0'}
        print(all_data)
        return all_data
    nu = 0  # 用于检测评论数是否正确
    comments = []   #用于存储评论
    if int(num[0]) != 0:
        for str1 in strs:
            # 匹配出评论者和评论时间
            # print(str1)
            str2 = etree.HTML(str1)
            comments_authors = str2.xpath('//a[@class="author js-popover-card"]/text()')
            comments_times = str2.xpath('//span[@class="timeago"]/@title')
            # 匹配出一个评论和回复所在的标签
            str3 = re.findall('
|
',str1, re.S)
            comments_comments = []
            for str4 in str3:
                str5 = etree.HTML(str4)
                # 匹配出评论并拼接
                comments_comment = str5.xpath('//p//text() | //div[@class="author blocked-title pb-2"]/text()')
                co = ''
                for com in comments_comment:
                    co += com
                comments_comments.append(co)
                nu += 1
            b = get_i(comments_comments)
            # 检测是否存在被系统屏蔽的评论
            if len(b) != 0:
                comments_authors.insert(b[0], '系统屏蔽')
            c0 = comments_comments.pop(0)
            a0 = comments_authors.pop(0)
            t0 = comments_times.pop(0)
            # 检测是否存在回复
            if len(comments_comments) != 0:
                c = [{a0: c0, 'time': t0}]
                d = []
                for i in range(len(comments_comments)):
                    d.append({comments_authors[i]: comments_comments[i], 'time': comments_times[i]})
                c.append({'回复': d})
                comments.append(c)
            else:
                comments.append([{a0: c0, 'time': t0}])
    else:
        print('该项目无评论')
    #检测评论数量是否正确
    if nu == int(num[0]):
        print(('解析正确'))
    else:
        print('解析错误')
        print(f'缺少{int(num[0])-nu}条评论')
    if num[0] != 0:
        all_data = {'title':title[0],'comment_num':nu,'comment':comments}
    else:
        all_data = {'title': title[0], 'comment_num': num[0]}
    print(all_data)
    return all_data

if __name__ == '__main__':
    #jianxi(data)返回的类型为{'title':xxx,'comment_num':xxx,'comment':[[{'xxx':'xxx','time':'xxx'},{'回复':[{'xxx':'xxx','time':'xxx'}]}]]},
    startTime = int(time.time())

    start = 10
    end = 11
    p_urls = get_url(start,end)
    print(p_urls)
    for i in range(start,end+1):
        urls = p_urls.pop(0)
        # print(urls)
        print(f'正在获取第{i}页')
        j = 1
        for url in urls[str(i)]:
            print(f'正在获取第{j}/11个项目评论')
            data = get_html(url)
            jianxi(data)
            j+=1

    # #用于测试单个链接
    # url = 'https://gitee.com/jfinal/jfinal-weixin?_from=gitee_search'
    # data = get_html(url)
    # jianxi(data)

    endTime = int(time.time())
    differenceTime = endTime - startTime
    print('运行时间：' + str(differenceTime) + '秒')

总结

这次的代码量有近200行，但只要按照流程一步步写还是没有问题的。前面所说的q参数是搜索的内容，代码里我没有加上，仅仅是对于java进行了搜索，这个有需要的话可以自己进行修改。