原标题:爬取网易云音乐的评论后,竟有这种发现!
作者 | 志颖
责编 | 胡巍巍
用过网易云音乐听歌的朋友都知道,网易云音乐每首歌曲后面都有很多评论,热门歌曲的评论更是接近百万或者是超过百万条。
现在笔者就来分享一下如何爬取网易云音乐歌曲的全部评论,由于网易云音乐的评论都做了混淆加密处理,因此我们需要深入了解它的加密过程之后,才能爬取到网易云音乐歌曲的全部评论。
首先分析数据的请求方式
网易云音乐歌曲页面的URL形式为https://music。163。com/#/song?id=歌曲ID号,这里我用Delacey的Dream it possible 为例进行讲解,它的URL为https://music。163。com/#/song?id=38592976。接下来开始分析数据的请求方式。
由于网易云音乐的评论是通过Ajax传输,我们打开浏览器的开发者工具(检查元素),选中控制面板中的Network,再点击XHR(捕获AJAX数据),然后点击左上角的重新加载,会看到下面图片中的数据请求列表。
点击R_SO_4_38592976?csrf_token=cdee144903c5a32e6752f50180329fc9这一行,再点击Preview。
现我们所需要的数据就在这JSON格式的数据中,其中Comments中是第一页的全部评论,一共20条,Hot Comments是精彩评论一共有15条,每首歌曲只有第一页评论才有精彩评论。接着看一下它的请求头,点击Headers。
我们发现的它是个Post请求,向下滑你会发现这个Post请求还带有数据。
这些数据都是经过加密处理的,因此我们需要分析它的加密过程来生成相应的参数,然后把加密后的参数加到Post请求中才能获取到我们需要的评论数据。
分析加密过程
通过断点调试发现params和encSecKey是由JS脚本中的Window.asrsea()函数生成的。
我们发现Window.asrsea()函数有4个参数,在浏览器的JS控制台分别对这四个参数进行调试:
后面三个参数是定值,只有第一个参数是控制评论页面偏移量的参数,它是一个变量。笔者经过分析发现第一个参数的形式是:
{"rid":"R_SO_4_38592976","offset":"0","total":"True","limit":"20","csrf_token":""}
下面我来详细讲解这个变量的发现过程:
首先找到core_dfe56728795d119e4d476fd09ea2dc51。JS这个JS脚本,然后将断点打在第12973行,点击第一页评论,页面加载到断点处便停止了。
然后按下电脑的Esc键打开JS控制台,输入i1x,查看第一个变量:
这是第一页的i1x的值,接下来看第二页的(需要点击第2页,然后输入i1x的值):
再看第3页:
再看第4页:
通过这几页的分析,我们可以得到i1x值的变化规律,且可以得到它的一般形式:
{"rid":"R_SO_4_38592976","offset":"0","total":"True","limit":"20","csrf_token":""}
offset和limit是必选参数,其他参数是可选的,其他参数不影响data数据的生成,offset (页面偏移量) = (页数-1) * 20, 注意limit最大值为100,当设为100时,获取第二页时,默认前一页是20个评论,也就是说第二页最新评论有80个,有20个是第一页显示的。因此我们可以构造第一个参数为:
# 偏移量,page是页数
offset = (page-1) * 20
msg = '{ "offset":' + str(offset) + ', "total": "True", "limit": "20", "csrf_token": ""}'
接下来,我们来看一下window.asrsea()函数的整个加密过程:
!function(){
// 函数a生成长度为16的随机字符串
functiona(a){
vard, e, b = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789", c = "";
for(d = 0; a > d; d += 1)
e = Math.random() * b.length,
e = Math.floor(e),
c += b.charAt(e);
returnc
}
// 函数b实现AES加密
functionb(a, b){
varc = CryptoJS.enc.Utf8.parse(b)
, d = CryptoJS.enc.Utf8.parse("0102030405060708")
, e = CryptoJS.enc.Utf8.parse(a)
, f = CryptoJS.AES.encrypt(e, c, {
iv: d,
mode: CryptoJS.mode.CBC
});
returnf.toString()
}
// 函数c实现RSA加密
functionc(a, b, c){
vard, e;
returnsetMaxDigits(131),
d = newRSAKeyPair(b,"",c),
e = encryptedString(d, a)
}
functiond(d, e, f, g){
varh = {}
, i = a(16);
returnh.encText = b(d, g),
h.encText = b(h.encText, i),
h.encSecKey = c(i, e, f),
h
}
functione(a, b, d, e){
varf = {};
returnf.encText = c(a + e, b, d),
f
}
window.asrsea = d,
window.ecnonasr = e
}();
window.asrsea()函数就是上面的d函数,现在我们来看函数d:
functiond(d, e, f, g){
varh = {}
, i = a(16);
returnh.encText = b(d, g), // 第一次AES加密
h.encText = b(h.encText, i), // 第二次AES加密
h.encSecKey = c(i, e, f), // RSA加密
h
}
参数h。encText是经过两次AES加密得到的,h。encSecKey是经过一次RSA加密得到的,其中i是随机生成的长度为16的随机字符串。
生成加密参数
首先我们需要生成长度为16的随机字符串,这里我们仿照上面的java的实现,用Python生成16位长的随机字符串:
# 生成随机字符串
def generate_random_strs(length):
string= "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789"
# 控制次数参数i
i = 0
# 初始化随机字符串
random_strs = ""
whilei < length:
e = random.random() * len(string)
# 向下取整
e = math.floor(e)
random_strs = random_strs + list(string)[e]
i = i + 1
returnrandom_strs
接着用Python实现AES加密,这里要用到PyCrypto库,先安装好这个库:
pipinstall pycrypto
然后导入加密模块:
fromCrypto.Cipher importAES
由于AES加密的明文长度必须是16的倍数,因此我们需要对明文进行必要的填充,以满足它的长度是16的倍数:
# msg是需要加密的明文,如果不是16的倍数则进行填充(paddiing)
padding= 16- len(msg) % 16
# 这里使用padding对应的单字符进行填充
msg= msg + padding * chr(padding)
AES加密的模式是AES。MODE_CBC,初始化向量iv=’0102030405060708′,具体的AES加密:
# AES加密
defAESencrypt(msg, key):
# 如果不是16的倍数则进行填充(paddiing)
padding = 16- len(msg) % 16
# 这里使用padding对应的单字符进行填充
msg = msg + padding * chr(padding)
# 用来加密或者解密的初始向量(必须是16位)
iv = '0102030405060708'
cipher = AES.new(key, AES.MODE_CBC, iv)
# 加密后得到的是bytes类型的数据
encryptedbytes = cipher.encrypt(msg)
# 使用Base64进行编码,返回byte字符串
encodestrs = base64.b64encode(encryptedbytes)
# 对byte字符串按utf-8进行解码
enctext = encodestrs.decode('utf-8')
returnenctext
然后是RSA加密。首先我简单介绍一下RSA的加密过程。在RSA中,明文,密钥和密文都是数字。RSA的加密过程可以用下列的公式来表达,这个公式非常的重要,你只有理解了这个公式,才能用Python实现RSA加密。
密文 = 明文E modN (RSA加密)
RSA的密文是对代表明文的数字的E次方求mod N的结果, 通俗地讲就是将明文和自己做E次乘法,然后将其结果除以N求余数,这个余数就是密文。
下面来看具体的RSA加密代码实现:
# RSA加密
def RSAencrypt(randomstrs, key, f):
# 随机字符串逆序排列
string= randomstrs[::-1]
# 将随机字符串转换成byte类型数据
text= bytes(string, 'utf-8')
seckey = int(codecs.encode(text, encoding='hex'), 16)**int(key, 16) % int(f, 16)
# 返回整数的小写十六进制形式
returnformat(seckey, 'x').zfill(256)
RSA加密后得到的字符串长为256,如果不够长则进行填充(不足部分在左侧添0)。
最后就是获取那两个加密参数:
# 获取参数
def get_params(page):
# msg也可以写成msg = {"offset":"页面偏移量=(页数-1) *20", "limit":"20"},offset和limit这两个参数必须有(js)
# limit最大值为100,当设为100时,获取第二页时,默认前一页是20个评论,也就是说第二页最新评论有80个,有20个是第一页显示的
# 偏移量
offset = (page-1) * 20
# offset和limit是必选参数,其他参数是可选的,其他参数不影响data数据的生成,最好还是保留
msg = '{"offset":'+ str(offset) + ',"total":"True","limit":"20","csrf_token":""}'
key = '0CoJUm6Qyw8W8jud'
f = '00e0b509f6259df8642dbc35662901477df22677ec152b5ff68ace615bb7b725152b3ab17a876aea8a5aa76d2e417629ec4ee341f56135fccf695280104e0312ecbda92557c93870114af6c9d05c4f7f0c3685b7a46bee255932575cce10b424d813cfe4875d3e82047b97ddef52741d546b8e289dc6935b3ece0462db0a22b8e7'
e = '010001'
enctext = AESencrypt(msg, key)
# 生成长度为16的随机字符串
i = generate_random_strs(16)
# 两次AES加密之后得到params的值
encText = AESencrypt(enctext, i)
# RSA加密之后得到encSecKey的值
encSecKey = RSAencrypt(i, e, f)
returnencText, encSecKey
获取全部评论
上面我们获取到了两个参数encText和encSecKey,利用这两个参数来构造post表单数据(Form Data),即data的值:
params, encSecKey = get_params(page)
data = {'params': params, 'encSecKey': encSecKey}
歌曲评论的URL为:
url= '/weapi/v1/resource/comments/R_SO_4_'+ str(songid) + '?csrf_token='
然后把data加到post的参数中去就能获取到json格式的评论数据。
html= requests.post(url, headers=headers, data=data)
至此,获取网易云音乐全部评论的Python爬虫实现原理分析全部完成!
作者:志颖,一名狂热的python爬虫爱好者。
本文系作者投稿,不代表CSDN立场。
“
征稿啦”
◆
责任编辑: