腾讯、网易、新浪新闻网站爬虫编写记录及评论格式分析
腾讯、网易、新浪新闻网站爬虫编写记录及评论格式分析
作者：reetsee.com首席运营官
http://blog.csdn.net/qq_17754181/article/details/45179667
至于下面说到的东西要解决什么问题，各位可以先看看这个网站（我毕设的初步结果，目前还在优化中，包括代码结构还有UI设计）：http://news.reetsee.com/
这个网站要实现以下功能：从腾讯新闻、网易新闻、新浪新闻中（当然以后可能会更多其它新闻网站）通过代码自动分析出哪些新闻内容是相似的，然后把相似的内容组织到一起，例如三个网站都有“北京成功申奥”这样的新闻，这个网站会自动把三条新闻归到一起，然后把三个新闻网站的热门评论都下载下来，按照时间排序，最后通过代码计算出一段“评论概括”，因为有的人很懒，看新闻基本就是看了标题然后看评论，看评论可能只看热门评论，看热门评论可能还看那种被顶得最多的，所以我就这么帮下这些懒人了……哈哈哈。
这个网站的所有内容可以说都是通过爬虫抓取下来了，我的工作只不过是将爬虫获取的内容进行了组织然后重新展现。
1 新闻格式规范化
我在同学介绍下选择了Python的Scrapy爬虫框架进行爬虫编写。要在自己的网站上展示新闻内容，就应该将下载好的新闻按照统一的格式处理好，这样前端（网页端）才能够方便地处理、展示。一篇新闻有以下几个需要关注的地方：
- 新闻标题
- 新闻正文
- 新闻时间
由于要知道新闻的来源以及对应的评论，所以加上这两项：4. 新闻来源，5. 新闻评论地址。
那么最终在我这里，一篇处理后的新闻格式应该是这样的（这里使用类似json的格式表示，“[]”表示一个数组，“{}”表示一个字典）：
{ 'source' : '来源网站', 'date' : '时间（长度8位，如20140501）', 'contents' : { 'link' : '新闻详细内容页面的地址', 'title' : '新闻标题', 'passage' : '新闻正文', }, 'comments' : { 'link' : '新闻对应的评论页面地址', },}如果有人问既然已经有了新闻的地址页面，为什么还要将新闻标题、新闻正文这些内容保存到本地呢？因为要在本地对新闻进行分类，就必须将这些内容下载下来。
上面的格式只是一个初步的统一格式，最终的格式相比这个可能会有小变化，这个后面再说。
2 评论格式规范化
要在我的网站对评论进行展示，就要有统一的格式，通常评论的要素包括三个：
- 用户名
- 评论时间
- 评论内容
由于我要标注评论的来源，所以再加一个：4. 评论来源，那么最终被我处理过的评论格式如下：
{ 'source' : '来自哪个新闻网站', 'user' : '用户名', 'time' : '10位长度的时间戳', //转换成时间戳是为了方便以后排序 'content' : '评论内容'}那么最终重新按照时间排序后的评论列表格式应该是像下面这样的：
[ { 'source' : '', 'user' : '', 'time' : '', 'content' : '' }, { 'source' : '', 'user' : '', 'time' : '', 'content' : '' }, { 'source' : '', 'user' : '', 'time' : '', 'content' : '' }, ...]这里先规范好最终的评论格式，下面针对评论部分的讲解设计就有头有据了。
另外就是评论并不需要爬虫下载！因为评论是实时更新的，不像新闻，基本上发布了就不怎么变化了。因为评论的内容是在用户点击某条新闻后才通过HTTP请求获取的。
3 URL规则分析
3.1 腾讯新闻
其实整个分析下来，我觉得腾讯的URL地址格式是最容易弄清楚的，对于下面的内容，打了黄色背景色的是一个分析说明，其中用了红色字体的代表这个地方是依据新闻的不同而变化的，聪明的你们一定一看就知道是什么意思了。在看下面的内容时，可以自己把这些URL敲到地址栏中尝试一下，其次是使用CHROME或者百度浏览器的同学，强烈建议安装“FeHelper”这个插件，地址是：https://chrome.google.com/webstore/detail/web%E5%89%8D%E7%AB%AF%E5%8A%A9%E6%89%8Bfehelper/pkgccpejnmalmdinmhkkfafefagiiiad?hl=zh-CN
这个东西的作用是能够直接将JSON格式的内容美化成很漂亮的非常容易读到的内容，例如这样：
这个是其中一个功能，还有很多非常赞的功能。
新闻（非专题类）地址格式 ：http://news.qq.com/a/8位日期/新闻ID.htm，例如：http://news.qq.com/a/20140113/012246.htm。
新闻页面获取评论数量的方法：http://coral.qq.com/article/评论页ID（即cmt_id）/commentnum?callback=_cbSum&source=1&t=随机数（怀疑是时间戳，但是好像没什么用），例如：http://coral.qq.com/article/1004703995/commentnum?callback=_cbSum&source=1&t=0，实际上这个用不到。
新闻的所有评论页面地址 ：http://coral.qq.com/评论ID（即cmt_id），例如：http://coral.qq.com/1004703995。
热门评论的链接格式如下 ：http://coral.qq.com/article/评论页ID（即cmt_id）/hotcomment?reqnum=显示数目&callback=myHotcommentList&_=时间戳+3位随机整数（共10+3=13位），http://coral.qq.com/article/1004703995/hotcomment?reqnum=10&callback=myHotcommentList&_=1389617814425。
现在开始分析一下腾讯新闻评论中的字段，比起网易新闻的简直是太臃肿了，那么就直接说关心的内容了（请直接点击上面热门评论的那条URL、或者复制到你的地址栏，回车后查看结果，与下面的内容比对）：
- targetid就是新闻的id；
- time就是时间戳，有了这个可以转换成公元时间；
- content就是回复的内容（这位网友真是热心回复这么多）；
- up就是人家给的赞的数量；
- userinfo中的nick就是用户名了，后面竟然还有对应的腾讯微博的用户信息。
还记得在“评论规范化”中定的格式吗？现在我们就从json格式找到一个将其规范化的方法，假设热门评论连接中返回的json格式的变量名为js，i为遍历时的下标，那么用下面这个方法进行评论格式的规范化：
{ 'source' : 'tencent', 'user' : js['data']['commentid'][i]['userinfo']['nick'], 'time' : js['data']['commentid'][i]['time'], //原格式就是10位时间戳了不用转换 'content' : js['data']['commentid'][i]['content']}腾讯新闻的算是搞掂了。
3.2 网易新闻
新闻（非专题类）地址格式 ：http://news.163.com/年份/日期（四位）/数字/新闻ID.html，例如http://news.163.com/14/0114/19/9IISVTCG0001124J.html。
新闻页面获取评论数量的方法：查找”totalCount“就是评论数目，新闻ID就是”threadId“，讨论版面就是”boardId“，这个js是inline的，直接就放到网页中了。
新闻的所有评论页面地址：http://comment.news.163.com/boardId/新闻ID.html，例如http://comment.news.163.com/news_guonei8_bbs/9IISVTCG0001124J.html。关于boardId及新闻ID，请参见上面一项。
在该页面下评论数目为：很有可能在data变量的tcount中。即“data.tcount”
其中正常的评论链接格式如下：http://comment.news.163.com/cache/newlist/news_guonei8_bbs/9IISVTCG0001124J_1.html，但是会有乱码，评论之间通过”return tiePage.showPage(4);“
热门评论的链接格式如下：http://comment.news.163.com/data/boardId/df/新闻ID_1.html，例如http://comment.news.163.com/data/news_guonei8_bbs/df/9IISVTCG0001124J_1.html，这个评论页面有点不同，它返回的不是一个json文件，而是一个Javascript的变量，变量的值就是“=”号后面的内容，它是一个json，因此要更好地观察具体的内容，你应该新建一个文件（例如comment.json），然后把“=”之后，“;”之前的内容中复制出来粘贴到comment.json中，接着用浏览器打开comment.json文件。然后你会看到“热门评论”在’hotPosts’中（内容太长了使用Ctrl+f搜索一下hotPosts），而“精彩盖楼”在’buildPosts’中。评论之间通过”return tiePage.showHotPage(4);“来实现翻页，感觉页面是缓存起来的……一次全部下载完。网易的评论编码好像是UTF-8的，如果乱码那么可以对浏览器选择编码为UTF-8。在实际处理文本内容的时候注意好编码问题。
现在开始分析一下网易新闻评论中各个字段含义，我给出两个例子：
- 前面的数字1表示1楼；
- f是显示的内容，对应分别为“网易XX网友”，用户ID，用户IP，没有用户ID的就显示“网易XX网友”，连“网易XX网友”都没有的就显示IP地址，我猜的；
- v是支持数量；
- u不知道是什么粗略看一眼值全部都是’u’；
- d是当前评论的新闻id；
- t就是发表评论的时间啦；
- b就是评论的内容；
- a就是表示这个楼是不是最后一层楼的；
- p就是上面那个div标签的id；
- n怀疑是网易帐号或者用户名；
- l不知道是什么；
- ip就是ip了。
{1: { f: "网易日本手机网友 <span id=9KUDRCJ8 class=cGray>ip：126.255.*.*：</span>", v: "11014", u: "u", d: "9KUD5BUN00011229", t: "2014-02-13 03:34:08", b: "媽的，這傻逼幹嘛不索取精液流失費？", a: "0", p: "9KUDRCJ8", n: "chinese_cc@163.com", l: "0", ip: "126.255.*.*"}},另外一个例子：
{1: { f: "网易山东省济南市手机网友 [<a href=''>逗狗儿玩呵呵</a>]： ", d: "9KUD5BUN00011229", b: "这么一搞这女的以后还能嫁出去?够阴的。", a: "0", n: "逗狗儿玩呵呵", l: "0", tsn: "8058245774", ip: "113.128.*.*", timg: "http://mimg.126.net/p/butter/1008031648/img/face_big.gif", v: "9219", u: "u", t: "2014-02-13 04:04:49", p: "9KUFJMLA", tid: "4983565181079566873"}},有没有觉得网易新闻的评论内容中key都很短？而且几乎没有冗余信息。
接下来就是将上述的评论进行格式规范化，假设这个json变量名为js，i为遍历时的下标：
{ 'source' : 'netease', 'user' : js['hotPosts'][i]['1']['n'], 'time' : js['hotPosts'][i]['1']['t'], //原格式“%Y-%m-%d %H:%M:%S”，要转换成10位长度的时间戳 'content' : js['hotPosts'][i]['1']['b']}要注意的是，上面的’n’不是一定存在的，因为如果有N楼，那么除了最后一层楼外，从1~N-1楼都是没有’n’标签的。呼，网易新闻的也搞掂了。
3.3 新浪新闻
新浪（评论好像是GBK编码）
新浪新闻的URL规则好复杂，推敲了很久才搞明白。
新闻（非专题类）地址格式：http://news.sina.com.cn/字母c或者w（c表示和中国有关，w表示和中国没有直接关系的世界新闻）/年-月-日/小时分钟(4位数字)及新闻ID的后8位.shtml，例如http://news.sina.com.cn/c/2014-01-19/021929283928.shtml。新浪新闻的地址还有一些地址格式有“变种”，例如：http://news.sina.com.cn/c/sd/2014-01-24/152429336501.shtml，http://news.sina.com.cn/w/p/2014-01-24/154829336676.shtml，还有诸如http://weather.news.sina.com.cn/news/2014/0124/072298232.html和http://mil.news.sina.com.cn/2014-01-24/0839761572.html。
所以综合以上所述，最完整的地址格式应该是：http://[类别.]news.sina.com.cn/一堆可能出现的东西/日期（注意这里的日期格式可能是“年-月-日”也可能是“年/月”）/小时分钟（4位数字）及新闻ID的后8位.shtml或者html
有点蛋碎的感觉，不过没事，这些都是一个正则表达式就搞掂的事。
新浪新闻有一个新闻ID和评论通道，这两个东西都比较麻烦，但又很关键，我这里先说获取的方法，下面就知道用途了。以下是新闻ID获取方法和评论通道获取方法，在新闻详细页面看到找到以下两行：
<meta name="comment" content="kj:2-1-9122947"><meta name="sudameta" content="comment_channel:kj;comment_id:2-1-9122947">comment_id同时也是官方所谓的newsid，comment_id的组成是：channelId-1-新闻Id后8位，其中中间的1还不知道是什么意思，comment_channel就是评论通道。
新闻页面获取评论的方法：http://comment5.news.sina.com.cn/page/info?format=格式（可选json,js）&channel=板块（通常是2个字母）&newsid=评论ID(即上面的comment_id)&group=0(默认为0)&compress=1&ie=gbk&oe=gbk&page=第几页（数字越大评论越旧）&page_size=缓存的评论数（并非展示的评论数）&jsvar=requestId_貌似是个随机整数（非常不确定），例如http://comment5.news.sina.com.cn/page/info?format=json&channel=gn&newsid=1-1-29283928&group=0&compress=1&ie=gbk&oe=gbk&page=1&page_size=100&jsvar=requestId_24959748，返回的内容是所有的评论，热门评论在“hot_list”中，关联的新闻信息在“news”中，正常的评论在“cmtlist”中，另外包含一些在“replydict”中的东西，不知道是什么。其中评论数目在“count”的“show”中
对应的所有评论页面地址：http://comment5.news.sina.com.cn/comment/skin/default.html?channel=板块（见上面的解释）&newsid=评论ID，http://comment5.news.sina.com.cn/comment/skin/default.html?channel=gn&newsid=1-1-29283928。
最后把得到的评论的格式规范化。假设这个json变量名为js，i为遍历时的下标：
{ 'source' : 'sina', 'user' : js['hot_list'][i]['nick'], 'time' : js['hot_list'][i]['time'], //原格式“%Y-%m-%d %H:%M:%S”，要转换为10位时间戳 'content' : js['hot_list'][i]['content']}4 最终格式及补充说明
在新闻格式规范化里面提到了那个格式不是最终的格式，原因就在于实现http://news.reetsee.com（或者我以后直接叫吹水新闻……）功能的时候，当点击了新闻标题时，评论应该是实时获取的（不应该是爬取新闻一样一开始就使用爬虫下载下来），所以我们需要直接拿到评论的具体内容，不能通过评论页面去获取，而应该直接使用获取新闻评论的json接口（就是上面所有的返回数据格式为json的地址），那么就需要我们根据规则直接拼出接口的URL，这些URL中可能会有日期、新闻ID、评论ID、板块ID等不同的变量，所以我们不妨把它直接放到新闻格式规范化的结果中。为什么不直接等点击链接的时候再到新闻页面获取这些ID？因为这样网速会太慢了。
根据实际需求，腾讯、网易、新浪的新闻保存格式如下：
腾讯：
{ 'source' : 'tencent', 'date' : '20140214', 'newsId' : '015412', 'cmtId' : '1004980094', 'contents' : { 'link' : 'http://news.qq.com/a/20140214/015412.htm', 'title' : '哈尔滨一夜清查酒店洗浴等2700余家', 'passage': '正文内容' }, 'comments' : { 'link' : 'http://coral.qq.com/1004980094', }}网易：
{ 'source' : 'netease', 'date' : '20140214', 'newsId' : '9L2525NG0001124J', 'cmtId' : '9L2525NG0001124J', 'boardId' : 'news_guonei8_bbs', 'contents' : { 'link' : 'http://news.163.com/14/0214/14/9L2525NG0001124J.html', 'title' : '哈尔滨4800余警力一夜清查酒店洗浴等2700余家', 'passage' : '正文内容' }, 'comments' : { 'link' : 'http://comment.news.163.com/news_guonei8_bbs/9L2525NG0001124J.html', },}新浪：
{ 'source' : 'sina', 'date' : '20140214', 'newsId' : '1-1-29471498', 'cmtId' : '1-1-29471498', 'channelId' : 'gn', 'contents' : { 'link' : 'http://news.sina.com.cn/c/2014-02-14/142829471498.shtml', 'title' : '哈尔滨4800余警力一夜清查2700家酒店洗浴场所', 'passage' : '正文内容', }, 'comments' : { 'link' : 'http://comment5.news.sina.com.cn/comment/skin/default.html?channel=gn&newsid=1-1-29471498', },}上面的格式其实一看就是有问题的，因为扩展性太差了，这也是我第一次设计囿于时间、经验等造成的，各位自己设计的时候就可以设计得更加好。
祝大家端午节节快乐！放假期间还在看这篇博文的人，都是宅男啊￥%%