雪球网沪深全站股票评论爬虫

这个爬虫写得好累，就简单讲一下思路吧。雪球网股票的评论内容是不能直接访问的，必须要携带在第一次访问时雪球网写进本地的cookie（其实你随便打开一次官网就是属于第一次访问了，那时候 不需要cookie），先放上github地址：
https://github.com/xiaobeibei26/xueiqiu_spider
爬取思路是这样的，先挖取所有股票的代码，放进数据库，然后根据股票代码爬取每一只股票的评论，多了，一定要加入代理池，我这里用的上上一篇文章写的代理池，我们给每个股票代码赋予一个状态值，一开始是outstanding，也就是1.如图

Paste_Image.png

每个进程需要知道那些股票评论爬取过了、哪些股票需要爬取！我们来给每个URL设置三种状态：

outstanding:等待爬取的股票

complete:爬取完成的股票

processing:正在进行的股票，也可能是失败的爬取股票

嗯！当一个所有初始的股票状态都为outstanding；当开始爬取的时候状态改为：processing；爬取完成状态改为：complete；失败的股票重置状态为：outstanding。为了能够处理股票进程被终止的情况、我们设置一个计时参数，当超过这个值时；我们则将状态重置为outstanding。
股票代码的爬取很简单，直接访问主页就好了

Paste_Image.png

代码上比较简单，如图是其中一段

Paste_Image.png

爬取之后我们看看数据库

Paste_Image.png

这里5000来只股票
接下来看看股票评论的ajax请求

随便点开一只股票，然后点击里面的讨论就会触发该请求，评论时个json数据，解析之后直接提取就好了，这里简单说说URL里面的参数
如图

Paste_Image.png

这里count很好理解，是每页的评论数，访问的时候要加上，hl：0、source：user和comment：0这三个参数是一直不变的，加上就好，symbol是股票代码，访问时候必须要加上，page是评论的页数，重点需要提一提的是里面最下面那个参数，-：1493022641602，一开始看到这个我是有点懵逼的，在源代码里面各种找，确保不是在里面提取的之后，我看着这东西也是越来越眼熟，然后在Python里面试了一试，果不其然，如图

Paste_Image.png

我们再处理一下

相差的就是最后的微秒，我心中有底之后就去翻源代码里面的JS代码，果不其然，就是利用JS生成的当前访问时间，虽然我试过不加时间也能访问，但为了保险，我还是加上了，不精要大规模访问，下面是主程序，代码很长，你们不用看，我自己当笔记

import requestsfrom spider.UA import agentsimport randomimport timeimport jsonfrom spider.stock_queue import StockMongofrom lxml import htmlimport multiprocessingfrom spider.thread_pool import ThreadPool#自己写的线程池headers={'User-Agent':random.choice(agents)
}



xueqiu_url='https://xueqiu.com/'#雪球官网comment_url= 'https://xueqiu.com/statuses/search.json?count=10&comment=0&symbol={symbol}&hl=0&source=user&sort=time&page={page}&_={real_time}'def get_comment():#默认是不使用dialing
    Stock_database = StockMongo('xueqiu', 'stocks_list')#链接第一步抓取的股票代码数据表，根据股票代码抓取评论
    # symbol = Stock_database.pop()  # 获取股票代码
    comment_database=StockMongo('xueqiu','comment_list')#评论要放进的数据库
    a = time.time()
    real_time = str(a).replace('.', '')[0:-1]#获取当前时间

    def thread_get_comment(num):
        while True:
            session = requests.session()
            proxy = requests.get('http://localhost:5000/get').text  # 获取本地代理池代理
            if proxy:
                proxies = {'http': 'http://{}'.format(proxy),                           'https': 'http://{}'.format(proxy), }
                session.proxies = proxies  # 携带代理
                try:
                    url = comment_url.format(symbol=symbol, page=str(num[0]), real_time=real_time)  # 股票列表URL
                    # print(url)
                    '''利用线程池传进去的num是个元组，必须提取出来'''
                    First_request = session.get(url='https://xueqiu.com/', headers=headers, timeout=10)
                    comments_list = session.get(url, headers=headers, timeout=10)                    if Stock_database.check_status(symbol):#如果已经爬取完成，直接结束循环
                        break

                    if str(comments_list.status_code) == str(200):#是否正常返回数据
                        stocks_comment = json.loads(comments_list.text)['list']
                        page = json.loads(comments_list.text)['maxPage']#获取最大页数
                        # print(page,num[0])
                        for stork in stocks_comment:                            try:
                                text = stork.get('text').strip()
                                selector = html.fromstring(text)  # 里面的标签各种各样，各种嵌套，用正则调了很久，投降了，改用xpath
                                comment = selector.xpath('string(.)')
                                user_id = stork.get('user_id')  # 评论者ID
                                user = stork.get('user')  # 评论者信息
                                title = stork.get('title')  # 标题
                                stock_code = symbol  # 股票代码
                                comment_id = stork.get('id')  # 每条评论都要唯一的ID
                                comment_database.push_stock_comment(comment_id=comment_id,symbol=stock_code,comment=comment, user_id=user_id,
                                                                    user=user,title=title)
                                print('正在爬取第',num[0],'该股票一共',page)                                if str(page) == str(num[0]):#抓取到了最后一页
                                    print(symbol,'该股票抓取成功')
                                    Stock_database.complete(symbol=symbol)                                    break
                                break
                            except:                                pass
                        break
                except  Exception as e:                    # print('获取失败，准备重新获取')  # 失败后再来
                    time.sleep(10)                    continue
            else:

                time.sleep(15)  # 等待重新获取代理
                continue


    def comment_crawler():
        pool=ThreadPool(6)        for num  in range(1,101):#遍历一到100页
            pool.run(func=thread_get_comment,args=(num,))    while Stock_database:        try:
            symbol = Stock_database.pop()
            comment_crawler()
            time.sleep(2)        except KeyError:#队列没有数据了
            print('队列没有数据')            breakdef process_crawler():
    process=[]
    num_cups=multiprocessing.cpu_count()
    print('将会启动的进程数为',num_cups)    for i in range(int(num_cups)-2):
        p=multiprocessing.Process(target=get_comment)#创建进程
        p.start()
        process.append(p)        for p in process:
            p.join()if __name__ == '__main__':
    process_crawler()

晚上开电脑跑了一个通宵，还以为自己的高性能电脑很吊，结果也只是跑了30万条数据，上两张结果图

Paste_Image.png

作者：蜗牛仔
链接：https://www.jianshu.com/p/4e63900306bf