Python 从零开始爬虫(七)——实战：网易云音乐评论爬取（附加密算法）

前言

某宝评论区已经成功爬取了，jd的也是差不多的方法，说实话也没什么好玩的，我是看上它们分析简单，又没加密才拿来试手的。如果真的要看些有趣的评论的话，我会选择网易云音乐，里面汇聚了哲学家，小说家，story-teller，皮皮虾等各种人才，某些评论非常值得收藏（甚至开了一个歌单专门收藏它们）。竟然这么好玩，何不尝试把他们爬取下来呢？

所以这个（大规模）网易云音乐评论爬取project就成型了

整个过程并不顺利，网上找到的解决方案清一色用的是pycrypto模块（已经没人维护，且还要装一个臃肿的VS14才能安装），非常麻烦。而少数用pycryptodome模块的也出现了报错/不可行的结果。最后是看了很多github大佬的源码，结合网上的思路，才重新写了出来。在此分享出来，提供一个少走弯路的解决方案

这个实战将详细的展示一次手动分析解决动态爬取，同时还会接触加密形post请求，更好的解决一些刁难的动态包

参考文章/代码

网易云音乐新版WebAPI分析
网易云音乐常用API浅析
参考代码

前置需求

可选：fiddler 捉包工具 （官网下载）
可选：了解一点AES，RSA加密
任一浏览器
pycryptodome模块 （直接pip安装）
base64及binascii模块 （直接导入）
可选是指：如果你要深入了解如何找到加密方法，就选

正文

开始之前感谢网易云给我带来的音乐和欢乐，记住爬取需适度

结构分析

我们要爬的是歌曲的评论，而歌曲的来源有多种，有的来源于专辑，有的来源于歌单，有的来源于歌手页；而歌单和专辑的来源又有多种。所以爬取多个歌曲的评论之前，我们要分析一下信息的结构，最好写下来，这样头脑会更清晰减少代码修改量。这里放出一张我自己整理的结构，并选择一条线路来实现（发现音乐→→歌单→→歌曲→→评论）

至于上图所列的其他信息，读者可以过完这个实战后自己动手实现，但是要注意的是：某些信息是无法直接通过网页源码提取出来的，需要通过加密的动态包（其实是API）获得，如果有需要的话我可能会出一篇文章总结网易云音乐的API

收集歌单id

每个歌单都有唯一的id，通过http://music.163.com/playlist... 这个链接就可以找到歌单，所以第一步我们要收集发现音乐下的多个歌单id

首先进入官网的“发现音乐”的“歌单”一栏，这里可以看到很多高分歌单，先到处点一下，可以发现链接是在改变的，说明部分数据不是动态加载的，可通过网页源码获得。最后发现链接有cat，order，offset，和limit四个对我们有用的参数，cat是分类，order是排序，offset=（页数-1）*35，limit=35。还有注意使用前要把链接的井号和一个斜杠去掉，否者会导致网页源码缺失。

先随便找一条链接requests一下先，可以发现目标信息是完整的，和F12看到的源码一样，那歌单id就可以放心提取了，具体用什么方法取决于读者。参考代码：

def get_playlists(pages,order,cat):#页数（一页获取35个歌单id），排序，分类
    playlist_ids = []
    for page in range(pages):
        url = 'http://music.163.com/discover/playlist/?order={}&cat={}&limit=35&offset={}'.format(order,cat,str(page*35))
        print(url)
        r = requests.get(url,headers=headers)
        playlist_ids.extend(re.findall(r'playlist\?id=(\d+?)" class="msk"',r.text))
    return playlist_ids

收集歌单內歌曲id

每个歌单都有多首歌曲，所以第二步我们要获取每个歌单下的所有歌曲id顺便把歌单名也获取。
歌单链接是http://music.163.com/playlist...，先随便找一个requests一下先，目标没缺失但是requests结果是和F12源码是不同的，筛选时请照着requests结果写（requests结果只有id和歌名，暂时够用那就这样吧）

另一种方法是通过API（http://music.163.com/weAPI/v3...）获取，包含更全的信息（包括歌手，所属专辑，歌单介绍等），因涉及加密和js调试较麻烦就不先介绍了（读者可以根据本文的加密算法详解自行调试），以后会写篇文章介绍各种API。
参考代码：

def get_songs(playlist_id='778462085'):
    r = requests.get('http://music.163.com/playlist?id={}'.format(playlist_id),headers=headers)
    song_ids = re.findall(r'song\?id=(\d+?)".+?</a>',r.text)#歌id列表
    song_titles = re.findall(r'song\?id=\d+?">(.+?)</a>',r.text)#歌名列表
    list_title = re.search(r'>(.+?) - 歌单 - 网易云音乐',r.text).group(1)#歌单名
    list_url = 'http://music.163.com/playlist?id='+playlist_id #歌单链接
    return [song_ids, song_titles, list_title, list_url]#一次性返回这些信息给评论爬取器

请求动态数据（评论）

进入某首歌http://music.163.com/song?id=...，很自然就想到requests一下，然而这不会得到任何评论信息，因为评论区是动态加载的（翻页链接不变，动态标志），所以打开F12捉包吧，在xhr中查看response很快找到

捣弄过后发现，请求链接中“R_SO_4_”后接的是歌曲的id，同一首歌下不同页数的动态包的请求链接除csrf_token外是相同的。

请求类型为post，需要两个参数，无论是刷新还是评论翻页这两个参数都会变，应该是加密过的。

先不理加密先，尝试把第一页的两个参数传给请求链接是能获得数据的，对应第一页的评论，尝试把csrf_token参数去除，还是能获取数据，所以csrf_token参数可以不要。我们大胆一点，继续把这对参数传给不同歌曲的请求链接，发现都能获取对应的第一页评论；而把第二页的两个参数传给不同歌曲的请求链接，就会得到对应第二页评论，以此类推。所以得出结论，任一页数的两个参数对不同歌曲是通用的，第n页的参数post过去会得到第n页的评论。这样就成功绕过了加密问题。

然而还是存在缺点的，请看下面对话
A：哈哈哈——这样就不用理会怎样加密了！！！
B：只爬前几页的话确实是的，但是如果你要爬很多页或全部爬取怎么办，那些10W+评论的歌曲难道你要手动复制粘贴5000+对参数吗？
C（对着A）：你不知道网易云音乐的API是共用一套加密算法的吗？如果你想爬评论以外的信息怎么办？

所以如果你要大量爬取评论/各种信息时，加密算法就显得很重要。具体怎样加密可以不用了解，直接套用就可（代码在最后），想了解的话继续往下看。

这里简单提供一下获取评论的参考思路，交给读者补全

def get_comments(arg):  # 接收get_songs方法返回的数据，爬取页数等
    post_urls = [......]  # 通过get_songs方法返回的数据构造每首歌的请求链接列表
    data = [{}]  # 手动写入或加密算法生成
    for i in range(len(post_url)):  # 爬每首歌评论
        #for j in range(pages):  # 如果每首歌要爬多页，那要再设一个循环
        r = requests.post(post_urls[i],data=data,headers=headers)
        print(r.json()) # 剩下解析json数据并写入容器。其中json数据可能会有坑，详看github中的代码。
''''''

最终带加密算法的爬评论代码：github（代码笨了，应该一次性生成多组params和encSecKey再索引使用而不是每首歌都加密一次，懒得改了....）（暂时是单线程，比较慢，有时间加个多线程下去）

（可选）加密算法详解

可以确定params和encSecKey这两个参数是加密过的了，里面包含着页数信息，服务器收到参数，解密后根据内容返回信息。通常这种加密都是通过js加密的，所以首先要找到这个有加密算法的js。

通过F12查看包的initiator可以得知其发起者是core.js，马上去JS包那里找。

其内容是巨量堆砌在一起的，丢去排版一下后拷贝到本地文件中，代码量20000+，先用搜索一下params和encSecKey看看能否定位到加密算法那里。

结果是可行的，看到这个熟悉的data就知道加密函数是window.asrsea（），接收了4个参数！！！又加大了分析难度，根本不知道这些参数是什么。这时就要上fiddler了来调试js了，能实现本地js覆盖原来的js，让浏览器执行本地的js。（使用fiddler前请配置好代理，网上查）

fiddler调试配置

选到autoresponder，把三个选项全勾上，然后按add rule，添加要替换的js，如图添加rule，第一栏是待替换的js（就是那个core.js包的链接），第二栏是替换物的绝对路径（就是拷贝回来修改过的js文件的绝对路径），然后按save

修改js文件，控制台输出关键值

对刚才找到的代码块进行修改，添加5条语句让它分别输出四个参数和params，通过比较包和输出的params确定成组的4个参数。

注意：①拷贝回来的js一定要趁热修改趁热使用，原来的core.js一段时间后会变动（如上面两幅图第一个参数中的j3x变成了j5o），所以不要照抄我的，以你拷贝回来的为准
②如果修改后的js没在浏览器中加载，fiddler也捉不到这个core.js的话，请清空浏览器的缓存再尝试

寻找参数规律

配置好fiddler修改好js后马上运行fiddler，然后马上打开浏览器，开启F12选择console控制台监测输出，打开测试歌曲链接http://music.163.com/#/song?i...，可以看到有很多组输出，我们可以通过比较评论包的params参数和输出的params参数找到评论对应的那组参数（如下图红色圈着的那组）

我们可以看到，不同组的第二第三第四个输出值都是一样的，所以window.asrsea（）除第一个参数是会变外，其余三个参数是定值。研究对象一下子减到一个。对评论来说，第一个参数是'{rid: "R_SO_4_411907742", offset: "0", total: "true", limit: "20", csrf_token: "f15b016ca1e43812f78a260998917527"}' ，是json object，为了搞清其变化规律，我们把评论翻到第二页看看会变成怎样。第二页评论得到'{rid: "R_SO_4_411907742", offset: "20", total: "false", limit: "20", csrf_token: "f15b016ca1e43812f78a260998917527"}'......

按多几页，多切几首歌后就会总结出第一个参数的规律，这个object包含了歌曲id，页数等信息，应该是被加密之前的原始数据。

• rid——‘R_SO_4_’加上歌曲id（其实rid参数可以不要，刚才说过任一页数的两个参数对不同歌曲是通用的，可以让它为空字符串）
• offset——字符化的数字，值等于（页数-1）*20
• total——第一页是"true",其余页数是"false"
• limit——固定"20"
• csrf_token——之前遇到过，无规律字符串（这个可以不要，直接让它为空字符串）

window.asrsea()接收的第一个参数还经过JSON.stringify()处理，让其变成了json数据，这个过程我们可以用python的json.dumps(dict)实现

#window.asrsea()接收参数
'{......}'#第一参数，那个json数据
'010001'#第二参数
'00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f56135fccf695280104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc6935b3ece0462db0a22b8e7'#第三参数
'0CoJUm6Qyw8W8jud'#第四参数

加密算法

参数是搞明白了，但是如何加密还是不清楚，于是回到刚才的js文件中。追踪window.asrsea()函数，发现它指向一个叫d的函数，仔细研究许久后大概知道加密算法

params经两次aes加密获得，模式为CBC，偏移量为b'0102030405060708'。第一次aes加密的明文是处理后的第一参数（具体处理方法看代码），密匙为第四参数；第二次aes加密的明文是第一次加密获得的密文，密匙是那个随机数，之后获得params，一些具体处理看代码

encSecKey经过rsa加密，明文和aes第二次加密同一个随机数，公匙是(第二参数，第三参数)。

参数处理细节处理请看代码

import json
from Crypto.Cipher import AES  #新的加密模块只接受bytes数据，否者报错，密匙明文什么的要先转码
import base64
import binascii
import random

secret_key = b'0CoJUm6Qyw8W8jud'#第四参数，aes密匙
pub_key ="010001"#第二参数，rsa公匙组成
modulus = "00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f56135fccf695280104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc6935b3ece0462db0a22b8e7"
#第三参数，rsa公匙组成


#生成随机长度为16的字符串的二进制编码
def random_16():
    return bytes(''.join(random.sample('1234567890DeepDarkFantasy',16)),'utf-8')


#aes加密
def aes_encrypt(text,key):
    pad = 16 - len(text)%16 #对长度不是16倍数的字符串进行补全，然后在转为bytes数据
    try:                    #如果接到bytes数据（如第一次aes加密得到的密文）要解码再进行补全
        text = text.decode()
    except:
        pass
    text = text + pad * chr(pad)
    try:
        text = text.encode()
    except:
        pass
    encryptor = AES.new(key,AES.MODE_CBC,b'0102030405060708')
    ciphertext = encryptor.encrypt(text)
    ciphertext = base64.b64encode(ciphertext)#得到的密文还要进行base64编码
    return ciphertext

#rsa加密
def rsa_encrypt(ran_16,pub_key,modulus):
    text = ran_16[::-1]#明文处理，反序并hex编码
    rsa = int(binascii.hexlify(text), 16) ** int(pub_key, 16) % int(modulus, 16)
    return format(rsa, 'x').zfill(256)

#返回加密后内容
def encrypt_data(data):#接收第一参数，传个字典进去
    ran_16 = random_16()
    text = json.dumps(data)
    params = aes_encrypt(text,secret_key)#两次aes加密
    params = aes_encrypt(params,ran_16)
    encSecKey = rsa_encrypt(ran_16,pub_key,modulus)
    return  {'params':params.decode(),
             'encSecKey':encSecKey  }

关于API

刚才分析加密算法进行fiddler调试的时候，有没有注意到有很多组输出，本文只选了评论那组进行分析。细心的读者可以发现，不同组的第一个输出都是一个json object，内容具有可读性且输出的params都能找到对应的xhr包。没错，那就是明文，不同的明文对应不同的API，明文通过加密算法得到的params和encSecKey由对应API接收，然后返回对应的信息。

API有很多个，除了获取评论的API外，还有歌词API，歌单API，专辑API，搜索API，mp3API等等，甚至还有签到API（这个要登录先，所以也有登录API）

API的链接很好找，捉下包就可以了；所以要利用这些API，重点是找到对应明文的规律，就像上面分析json object一样，要多次采样多次试验。在面对数十个API时，无疑是非常耗时的，读者可以自行探索。