大众点评评论抓取-加密评论信息完整抓取

Posted 2021-03-26 crawl-data

先说说它怎么做了加密吧。

如下图：部分字体被<span>标签包含，实际它是一张svg背景图，用css样式控制雪花图显示加载，并且可以看到他的css的background属性，可自行更改看看效果，注意字体width：14px，这个后面为解密有用。

 

先说说它怎么做了加密吧。

如下图：部分字体被<span>标签包含，实际它是一张svg背景图，用css样式控制雪花图显示加载，并且可以看到他的css的background属性，可自行更改看看效果，注意字体width：14px，这个后面为解密有用。

 

思路：

1. 获取评论部分的完整html样式，把整个内容用list存起来；

2. 获取css样式，样式在源码的位置，如下图，我们需要的是每个span标签里的class属性值，因为它对应background坐标信息。

3. 从css样式中动态取svg图片链接，生成字典库，然后用第二步的css坐标经过处理，查找真实字所对应的值，并返回最终真实评论。

步骤：

图一各标签位置还是需要了解一下的。

一、查看源码，知道css样式链接在哪里，保存该链接。

 

二、第一步获取的css链接样式里会有一个background-image标签，里面包含加密字体的svg路径，保存该路径，同时将该css文件的.*****{background：-*,-*}做成字典保存起来。

敲黑板了：图片一中提到过字体样式宽度为14px,因此我们把获取的background的x坐标/14，就是最终加密字体svg中的位置，svg每一行的字符串可转为数组存储，这样就能建立对应关系。background的y坐标要和svg中的<path>中的值比较，后续说。

 

三、这是加密字体的svg文件，注意看<path> 标签，它的id对应后面<textPath>标签的href值，它的d值就很有意思，也是解密的关键。

敲黑板了：步骤二中提到过background的y值，再和d列的M0后面值做比较就有意思了，比如
.gqi4j {background: -98.0px -130.0px;} 中的y：-130，取正数130，小于<path>标签中的d属性第二列的174这个值，则对应加密字库实际y轴为174，对应的id=4，就是<textPath>中的href标签，也就是加密字体的y轴坐标，而它的x就是98/14，对应的id=4,href="#4"行里的低98/14个的值，至此一个加密的字就取出来了。

 

最终效果：

如下图，完整评论内容，右侧部分没显示完部分，需要点开更多评论，原网页中有两个标签，一个完整的，一个局部的。

 

代码：

  1 #!/usr/bin/env python  
  2 # encoding: utf-8  
  3 """ 
  4 @version: v1.0 
  5 @author: W_H_J 
  6 @license: Apache Licence  
  7 @contact: [e-mail] 
  8 @software: PyCharm 
  9 @file: dazhongdianping.py 
 10 @time: 2018/12/19 17:45 
 11 @describe: 大众点评评论抓取-解析
 12 """
 13 import sys
 14 import os
 15 import re
 16 import requests
 17 from pyquery import PyQuery as pq
 18  
 19 sys.path.append(os.path.abspath(os.path.dirname(__file__) + ‘/‘ + ‘..‘))
 20 sys.path.append("..")
 21  
 22  
 23 header_pinlun = {
 24 ‘Host‘: ‘www.dianping.com‘,
 25 ‘Accept-Encoding‘: ‘gzip‘,
 26 ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36‘
 27 }
 28  
 29 header_css = {
 30 ‘Host‘: ‘s3plus.meituan.net‘,
 31 ‘Accept-Encoding‘: ‘gzip‘,
 32 ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36‘
 33  
 34 }
 35  
 36  
 37 # 0-详情页
 38 def get_msg():
 39     """
 40     url: http://www.dianping.com/shop/+ 商铺ID +/review_all
 41     :return:
 42     """
 43     # url = "http://www.dianping.com/shop/110620927/review_all"
 44     url = "http://www.dianping.com/shop/96658933/review_all"
 45     # url = "https://www.dianping.com/shop/77307732/review_all"
 46     html = requests.get(url, headers=header_pinlun)
 47     print("1 ===> STATUS", html.status_code)
 48     doc = pq(html.text)
 49     # 解析每条评论
 50     pinglunLi = doc("div.reviews-items > ul > li").items()
 51     """
 52     调用评论里的css样式处理和加密字体svg处理
 53     :return:
 54     dict_svg_text: svg整个加密字库，以字典形式返回
 55     list_svg_y：svg背景中的<path>标签里的[x,y]坐标轴，以[x,y]形式返回
 56     dict_css_x_y：css样式中，每个加密字体的<span> 标签内容，用于匹配dict_svg_text 中的key，以字典形式返回
 57     """
 58     dict_svg_text, list_svg_y, dict_css_x_y = css_get(doc)
 59  
 60     for data in pinglunLi:
 61         # 用户名
 62         userName = data("div.main-review > div.dper-info > a").text()
 63         # 用户ID链接
 64         userID = "http://www.dianping.com" + data("div.main-review > div.dper-info > a").attr("href")
 65         # 用户评分星级[10-50]
 66         startShop = str(data("div.review-rank > span").attr("class")).split(" ")[1].replace("sml-str", "")
 67         # 用户描述：机器：非常好 环境：非常好 服务：非常好 人均：0元
 68         describeShop = data("div.review-rank > span.score").text()
 69         # 关键部分，评论HTML,待处理，评论包含隐藏部分和直接展示部分，默认从隐藏部分获取数据，没有则取默认部分。（查看更多）
 70         pinglun = data("div.review-words.Hide").html()
 71         try:
 72             len(pinglun)
 73         except:
 74             pinglun = data("div.review-words").html()
 75         # 该用户喜欢的美食
 76         loveFood = data("div.main-review > div.review-recommend").text()
 77         # 发表评论的时间
 78         pinglunTime = data("div.main-review > div.misc-info.clearfix > span.time").text()
 79         print("userName:", userName)
 80         print("userID:", userID)
 81         print("startShop:", startShop)
 82         print("describeShop:", describeShop)
 83         print("loveFood:", loveFood)
 84         print("pinglunTime:", pinglunTime)
 85         print("pinglun:", css_decode(dict_css_x_y, dict_svg_text, list_svg_y, pinglun))
 86         print("*"*100)
 87  
 88  
 89 # 1-评论隐含部分字体css样式, 获取svg链接，获取加密汉字background
 90 def css_get(doc):
 91     css_link = "http:"+doc("head > link:nth-child(11)").attr("href")
 92     background_link = requests.get(css_link, headers=header_css)
 93     r = r‘background-image: url(.*?);‘
 94     matchObj = re.compile(r, re.I)
 95     svg_link = matchObj.findall(background_link.text)[0].replace(")", "").replace("(", "http:")
 96     """
 97     svg_text() 方法：请求svg字库，并抓取加密字
 98     dict_svg_text: svg整个加密字库，以字典形式返回
 99     list_svg_y：svg背景中的<path>标签里的[x,y]坐标轴，以[x,y]形式返回
100     """
101     dict_avg_text, list_svg_y = svg_text(svg_link)
102     """
103     css_dict() 方法：生成css样式中background的样式库
104     dict_css: 返回css字典样式
105     """
106     dict_css = css_dict(background_link.text)
107     return dict_avg_text, list_svg_y, dict_css
108  
109  
110 # 2-字体库链接
111 def svg_text(url):
112     html = requests.get(url)
113     dict_svg, list_y = svg_dict(html.text)
114     return dict_svg, list_y
115  
116  
117 # 3-生成svg字库字典
118 def svg_dict(csv_html):
119     svg_text_r = r‘<textPath xlink:href="(.*?)" textLength="(.*?)">(.*?)</textPath>‘
120     svg_text_re = re.findall(svg_text_r, csv_html)
121     dict_avg = {}
122     # 生成svg加密字体库字典
123     for data in svg_text_re:
124         dict_avg[data[0].replace("#", "")] = list(data[2])
125     """
126     重点：http://s3plus.meituan.net/v1/mss_0a06a471f9514fc79c981b5466f56b91/svgtextcss/74d63812e5b327d850ab4a8782833d47.svg
127         svg <path> 标签里内容对应css样式中background的y轴参数，小于关系，
128         如果css样式中的background的y参数小于 svg_y_re 集合中最小的数，则向上取y轴，(‘18‘, ‘M0‘, ‘748‘, ‘H600‘)，
129         如.gqi4j {background: -98.0px -745.0px;} 中的y-745，取正数745，小于748，则对应加密字库实际y轴为748，对应的18就是<textPath>中的x轴
130     """
131     svg_y_r = r‘<path id="(.*?)" d="(.*?) (.*?) (.*?)"/>‘
132     svg_y_re = re.findall(svg_y_r, csv_html)
133     list_y = []
134     # 存储(‘18‘, ‘M0‘, ‘748‘, ‘H600‘) eg:(x坐标，未知，y坐标，未知)
135     for data in svg_y_re:
136         list_y.append([data[0], data[2]])
137     return dict_avg, list_y
138  
139  
140 # 4-生成css字库字典
141 def css_dict(html):
142     css_text_r = r‘.(.*?){background:(.*?)px (.*?)px;}‘
143     css_text_re = re.findall(css_text_r, html)
144     dict_css = {}
145     for data in css_text_re:
146         """
147         加密字库.gqi4j {background: -98.0px -745.0px;}与svg文件对应关系，x/14，就是svg文件加密字体下标
148         y，原样返回，需要在svg函数中做处理
149         """
150         x = int(float(data[1])/-14)
151         """
152         字典参数：{css参数名：(background-x,background-y,background-x/14,background-y)}
153         """
154         dict_css[data[0]] = (data[1], data[2], x, data[2])
155     return dict_css
156  
157  
158 # 5-最终评论汇总
159 def css_decode(css_html, svg_dict, svg_list, pinglun_html):
160     """
161     :param css_html: css 的HTML源码
162     :param svg_dict: svg加密字库的字典
163     :param svg_list: svg加密字库对应的坐标数组[x, y]
164     :param pinglun_html: 评论的HTML源码，对应0-详情页的评论，在此处理
165     :return: 最终合成的评论
166     """
167     css_dict_text = css_html
168     csv_dict_text, csv_dict_list = svg_dict, svg_list
169     # 处理评论源码中的span标签，生成字典key
170     pinglun_text = pinglun_html.replace(‘<span class="‘, ‘,‘).replace(‘"/>‘, ",").replace(‘">‘, ",")
171     pinglun_list = [x for x in pinglun_text.split(",") if x != ‘‘]
172     pinglun_str = []
173     for msg in pinglun_list:
174         # 如果有加密标签
175         if msg in css_dict_text:
176             # 参数说明：[x,y] css样式中background 的[x/14，y]
177             x = int(css_dict_text[msg][2])
178             y = -float(css_dict_text[msg][3])
179             # 寻找background的y轴比svg<path>标签里的y轴小的第一个值对应的坐标就是<textPath>的href值
180             for g in csv_dict_list:
181                 if y < int(g[1]):
182                     # print(g)
183                     # print(csv_dict_text[g[0]][x])
184                     pinglun_str.append(csv_dict_text[g[0]][x])
185                     break
186         # 没有加密标签
187         else:
188             pinglun_str.append(msg.replace("
", ""))
189     str_pinglun = ""
190     for x in pinglun_str:
191         str_pinglun += x
192     # 处理特殊标签
193     dr = re.compile(r‘</?w+[^>]*>‘, re.S)
194     dr2 = re.compile(r‘<img+[^;]*‘, re.S)
195     dr3 = re.compile(r‘&(.*?);‘, re.S)
196     dd = dr.sub(‘‘, str_pinglun)
197     dd2 = dr2.sub(‘‘, dd)
198     pinglun_str = dr3.sub(‘‘, dd2)
199     return pinglun_str
200  
201  
202 if __name__ == ‘__main__‘:
203     get_msg()