百木园您好，我是 @马哥python说，一枚10年程序猿。
一、爬取目标
前些天我分享过一篇微博的爬虫：
https://www.cnblogs.com/mashukui/p/16414027.html
但是知乎平台和微博平台的不同之处在于，微博平台的数据用于分析社会舆论热点事件是极好的，毕竟是个偏娱乐化的社交平台。但知乎平台的评论更加客观、讨论内容更加有深度，更加有专业性，基于此想法，我开发出了这个知乎评论的爬虫。
二、展示爬取结果
我在知乎上搜索了5个关于”考研“的知乎回答，爬取了回答下方的评论数据，共计2300+条数据。
https://www.zhihu.com/question/291278869/answer/930193847
https://www.zhihu.com/question/291278869/answer/802226501
https://www.zhihu.com/question/291278869/answer/857896805
https://www.zhihu.com/question/291278869/answer/910489150
https://www.zhihu.com/question/291278869/answer/935352960
爬取字段，含：
回答url、页码、评论作者、作者性别、作者主页、作者头像、评论时间、评论内容、评论级别。
部分数据截图：
三、爬虫代码讲解
3.1 分析知乎页面
任意打开一个知乎回答，点开评论界面：
同时打开chrome浏览器的开发者模式，评论往下翻页，就会找到目标链接：
作为爬虫开发者，看到这种0-19的json数据，一定要敏感，这大概率就是评论数据了。猜测一下，每页有20条评论，逐级打开json数据：
基于此数据结构，开发爬虫代码。
3.2 爬虫代码
首先，导入用到的库：
import requests
import time
import pandas as pd
import os
从上面的截图可以看到，评论时间created_time是个10位时间戳，因此，定义一个转换时间的函数：
def trans_date(v_timestamp):
\"\"\"10位时间戳转换为时间字符串\"\"\"
timeArray = time.localtime(v_timestamp)
otherStyleTime = time.strftime(\"%Y-%m-%d %H:%M:%S\", timeArray)
return otherStyleTime
作者的性别gender是0、1，所以也定义一个转换函数：
def tran_gender(gender_tag):
\"\"\"转换性别\"\"\"
if gender_tag == 1:
return \'男\'
elif gender_tag == 0:
return \'女\'
else: # -1
return \'未知\'
准备工作做好了，下面开始写爬虫。
请求地址url，从哪里得到呢？
打开Headers，找到Request URL，直接复制下来，然后替换：
先提取出一共多少评论，用于计算后面的翻页次数：
url0 = \'https://www.zhihu.com/api/v4/answers/{}/root_comments?order=normal&limit=20&offset=0&status=open\'.format(answer_id)
r0 = requests.get(url0, headers=headers) # 发送请求
total = r0.json()[\'common_counts\'] # 一共多少条评论
print(\'一共{}条评论\'.format(total))
计算翻页次数，直接用评论总数除以20就好了：
# 判断一共多少页（每页20条评论）
max_page = int(total / 20)
print(\'max_page:\', max_page)
下面，再次发送请求，获取评论数据：
url = \'https://www.zhihu.com/api/v4/answers/{}/root_comments?order=normal&limit=20&offset={}&status=open\'.format(answer_id,str(offset))
r = requests.get(url, headers=headers)
print(\'正在爬取第{}页\'.format(i + 1))
j_data = r.json()
comments = j_data[\'data\']
现在，所有数据都在comments里面了，开始for循环遍历处理：
字段过多，这里以评论作者、评论性别为例，其他字段同理：
for c in comments: # 一级评论
# 评论作者
author = c[\'author\'][\'member\'][\'name\']
authors.append(author)
print(\'作者：\', author)
# 作者性别
gender_tag = c[\'author\'][\'member\'][\'gender\']
genders.append(tran_gender(gender_tag))
其他字段不再赘述。
需要注意的是，知乎评论分为一级评论和二级评论（二级评论就是一级评论的回复评论），所以，为了同时爬取到二级评论，开发以下逻辑：（同样以评论作者、评论性别为例，其他字段同理）
if c[\'child_comments\']: # 如果二级评论存在
for child in c[\'child_comments\']: # 二级评论
# 评论作者
print(\'子评论作者：\', child[\'author\'][\'member\'][\'name\'])
authors.append(child[\'author\'][\'member\'][\'name\'])
# 作者性别
genders.append(tran_gender(child[\'author\'][\'member\'][\'gender\']))
待所有字段处理好之后，把所有字段的列表数据拼装到DataFrame，to_csv保存到csv文件里，完毕！
df = pd.DataFrame(
{
\'回答url\': answer_urls,
\'页码\': [i + 1] * len(answer_urls),
\'评论作者\': authors,
\'作者性别\': genders,
\'作者主页\': author_homepages,
\'作者头像\': author_pics,
\'评论时间\': create_times,
\'评论内容\': contents,
\'评论级别\': child_tag,
}
)
# 保存到csv文件
df.to_csv(v_result_file, mode=\'a+\', index=False, header=header, encoding=\'utf_8_sig\')
完整代码中还涉及到避免数据重复、字段值拼接、判断翻页终止等细节逻辑，详细了解请见文末。
四、同步视频
演示视频：
https://www.zhihu.com/zvideo/1545723927430979584
我是 @马哥python说， 感谢您的阅读。
来源：https://www.cnblogs.com/mashukui/p/16622995.html
本站部分图文来源于网络，如有侵权请联系删除。