python爬取“美团美食”汕头地区的所有店铺信息
作者：互联网
一、目的
获取美团美食每个店铺所有的评论信息，并保存到数据库和本地
二、实现步骤
获取所有店铺的poiId
首先观察详情页的url，后面是跟着一串数字的，而这一串数字代表着每个店铺特有的id号，我们称之为poiId。所以，要想爬取所有店铺的评论数据，就必须爬取所有店铺的id号。
因此，退回到上一级页面，打开控制台，逐个点击请求的preview选项，找出携带有poiId数据的请求。
而我们要做的，就是找出这个请求的规律，模拟客服端发送此请求，这样子我们就可以获得所有店铺的poiId了。
接下来就是找规律了，我们观察发送的请求。很长对不对，不要紧，我们慢慢分析。
cityName=%E6%B1%95%E5%A4%B4& （城市中文名字经过urlencode编码）
cateId=0&areaId=0&sort=&dinnerCountAttrId=& （固定的一段字符串，具体意义未知）
page=1 （页码）
userId=&uuid=9efd650a0d204774ba7a.1577010898.1.0.0 （一段cookie，每隔一段时间会更新，用于验证用户的身份，由后端传递到前端。F12打开控制台，点击Application的Cookies查看得知）
platform=1&partner=126& （一段固定的字符串）
originUrl=https%3A%2F%2Fst.meituan.com%2Fmeishi%2F（对该网页的url进行urlencode）
riskLevel=1&optimusCode=10 （一段固定的字符串）
_token=eJx1j1tvozAQhf%2BLX4OCDZiYvEEuu5ASQqGQpOoDIdxrmmAn0FT972u0uw%2F7sNJIc%2BbM0aeZL9DZZzBHEBoQSuCedWAO0BROdSABzsQGz2YQQQNjREQg%2Fccjmq5L4NRFSzB%2FJYohEUzeRuNZzK8IC6QgwzfptzZ0IRVN1BiyRQaUnF%2FYXJYZn9Ks4reknaYfVBaalZUsbvhPAAgCDUcCgaqkYTQazWiInvzp%2FO%2FsiqcEi1VFK1Tm9O91irhZr%2Fxyfy%2B1zVatrYPb7AezdSz%2FVL0Xvem5rDvuNfVHs3ZsDzaLhq%2FCa2XGrTFpL3Iw%2BAuTDMWS1rDcHnaIDC95PZucLrKMO9s77lhAbvoLjjM3juLwqt4CPSx6Kyw3k1SlqbM9J9q9R8vIoQ6nnoIvm%2FXjnq%2BLY%2FdQ%2FDJ%2F3pVtmlKVLvIocH5Gp9uTlusHjz662La4e93lONGGSjnbbbcOlivn8MjqzxwmW3WTqYteiXXGFKsk%2FgTZMFfB9y82H5QP （token令牌，每隔一段时间会更新）
而在这些参数中，有几个参数是必须的（皆可通过正则表达式获取）：
uuid（可以从cookie中获得，按理来说应该每隔一段时间就应该重新获取一次，但是我获取了一次之后就可以一直用，个人认为是后端没有验证该字段）；
city（获取店铺所在的城市名）；
page（页码。获取店铺数量，然后除以每页最大显示条目可得；该字段在“meishi/“文件里ctrl+F搜索totalCount可得）。
下面就是获取这几个参数的config.py文件源代码：
#获得城市名，uuid和商铺数目以及页数
import requests
import re #用于正则表达式
import math
#获得城市名，uuid和商铺数目以及页数
def getInfo():
"""获取uuid"""
url = 'https://st.meituan.com/meishi/' #汕头美食
headers = {
'Host': 'st.meituan.com',
'Referer': 'https://st.meituan.com/',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36',
}
res = requests.get(url, headers=headers).text
# findall(pattern, string, flags=0),返回string中所有与pattern相匹配的全部字串,r表示原生字符例：\n不表示换行。re.S表示作用域拓展到整个字符串，即包括换行符
if res:
uuid = re.findall(r'"uuid":"(.*?)"', res, re.S)[0]
city = re.findall(r'"chineseFullName":"(.*?)"',res,re.S)[0]
shopsNum = re.findall(r'"totalCounts":(\d+)',res,re.S)[0]
with open('./output_file/uuid_city_shopsNum.log', 'w',encoding="utf-8") as f:
print('chrome_uuid:'+uuid+'\n'+'city:'+city+'\n'+'shopsNum:'+str(shopsNum))
f.write('chrome_uuid:'+uuid+'\n'+'city:'+city+'\n'+'shopsNum:'+str(shopsNum))
ans = {
'uuid':uuid,
'city':city,
'shopsNum':int(shopsNum),
'pages':math.ceil(int(shopsNum)/15),
}
return ans
ans = getInfo()
破解token参数
_token参数的构造：
解密： 由现成_token参数结尾的’='猜测进行了base64加密，于是进行base64解密，得到bytes类型字符串，进行zlib解压后得出_token的加密生成字典，其中有两个比较 重要的变化参数为ts和cts，其中ts为13位时间戳，cts则为ts+100*1000。还有一个sign参数，形式与_token参数一致，再对sign参数进行一次同样的解密，得到一个字符串，其中的uuid在首页源码中可以正则匹配出来。
加密： 由上可知_token参数的构造过程，进行了两次zlib压缩和base64编码加密。第一次加密对象位sign参数。第二次加密就是生成_token的字典，构造好字典后再进行一次上述加密即为_token。
另外，需要特别说明的是，_token参数破解了之后，仍会有一些参数是常量，一些是变量，但模拟的过程仍与前面模拟的过程是相似的，所以在这一不一一赘述，详见代码。
get_shops.py源代码：
'''
用于保存所有页面的ajax_url
'''
import base64, zlib
import time
import random
import pandas as pd
import os
import urllib.parse
import json
import re #用于正则表达式
from config import ans
print('ans:',ans)
get_shops_url = [] #用于存储所有生成的ajax_url
for page in range(1,ans['pages']+1):
DATA = {
"cityName": '汕头',
"cateId": '0',
"areaId": "0",
"sort": "",
"dinnerCountAttrId": "",
"page": page,
"userId": "",
"uuid": ans['uuid'],
"platform": "1",
"partner": "126",
"originUrl": "https://{}.meituan.com/meishi".format('st'),
"riskLevel": "1",
"optimusCode": "1"
}
SIGN_PARAM = "areaId={}&cateId={}&cityName={}&dinnerCountAttrId={}&optimusCode={}&originUrl={}/pn{}/&page={}&partner={}&platform={}&riskLevel={}&sort={}&userId={}&uuid={}".format(
DATA["areaId"],
DATA["cateId"],
re.findall(r"b'(.+?)'",str(DATA["cityName"].encode(encoding='UTF-8',errors='strict')))[0],
DATA["dinnerCountAttrId"],
DATA["optimusCode"],
DATA["originUrl"],
DATA["page"],
DATA["page"],
DATA["partner"],
DATA["platform"],
DATA["riskLevel"],
DATA["sort"],
DATA["userId"],
DATA["uuid"]
)
def encrypt(data):
"""压缩编码"""
binary_data = zlib.compress(data.encode()) #二进制压缩
base64_data = base64.b64encode(binary_data) #base64编码
return base64_data.decode() #返回utf-8编码的字符串
def token():
"""生成token参数"""
ts = int(time.time()*1000) #获取当前的时间，单位ms
#brVD和brR为设备的外汇返佣，浏览器的宽高等参数，可以使用事先准备的数据自行模拟
json_path = os.path.dirname(os.path.realpath(__file__))+'\\utils\\br.json'
df = pd.read_json(json_path)
brVD,brR_one,brR_two = df.iloc[random.randint(0,len(df)-1)]#iloc基于索引位来选取数据集
TOKEN_PARAM ={
"rId": 100900,
"ver": "1.0.6",
"ts": ts, # 变量
"cts": ts + random.randint(100, 120), # 经测,cts - ts 的差值大致在 90-130 之间
"brVD": eval(brVD), # 变量
"brR": [eval(brR_one), eval(brR_two), 24, 24],
"bI": ["https://st.meituan.com/meishi/", ""], # 从哪一页跳转到哪一页
"mT": [],
"kT": [],
"aT": [],
"tT": [],
"aM": "",
"sign": encrypt(SIGN_PARAM)
}
# 二进制压缩
binary_data = zlib.compress(json.dumps(TOKEN_PARAM).encode())
# print('binary_data:',json.dumps(TOKEN_PARAM).encode())
# base64编码
base64_data = base64.b64encode(binary_data)
# print('这里是token的使用了ascii编码之前的:', base64_data)
# print('这里是token的使用了ascii编码之后的:',urllib.parse.quote(base64_data.decode(),'utf-8'))
return urllib.parse.quote(base64_data.decode(),'utf-8')
AJAXDATA = {
'cityName': '%E6%B1%95%E5%A4%B4',
'cateId': 0,
'areaId': 0,
'sort': '',
'dinnerCountAttrId': '',
'page': page,
'userId': '',
'uuid': ans['uuid'],
'platform': 1,
'partner': 126,
'originUrl': 'https%3A%2F%2Fst.meituan.com%2Fmeishi%2F',
'riskLevel': 1,
'optimusCode': 10,
'_token': token()
}
urlParam = 'https://st.meituan.com/meishi/api/poi/getPoiList?cityName={}&cataId={}&areaId={}&sort={}&dinnerCountAttrId={}' \
'&page={}&userId={}&uuid={}&platform={}&partner={}&originUrl={}&riskLevel={}&optimusCode={}&_token={}'.format(
AJAXDATA['cityName'],
AJAXDATA['cateId'],
AJAXDATA['areaId'],
AJAXDATA['sort'],
AJAXDATA['dinnerCountAttrId'],
AJAXDATA['page'],
AJAXDATA['userId'],
AJAXDATA['uuid'],
AJAXDATA['platform'],
AJAXDATA['partner'],
AJAXDATA['originUrl'],
AJAXDATA['riskLevel'],
AJAXDATA['optimusCode'],
AJAXDATA['_token'],
)
然后，将ajax请求到的店铺数据保存到txt/csv/mongoDB数据库。因为在其他地方也可能调用到相应的方法（增删改查），因此，单独将他们写在另外一个.py文件里，然后封装成类。其中，save_data.py文件源代码如下：'''
定义类用于保存数据到数据库，txt或者csv
'''
import pandas as pd # 将数据保存到csv中
import pymongo
class MongoDB():
def __init__(self,formName,collection='',result=''):
self.host = 'localhost'
self.port = 27017
self.databaseName = 'meituan'
self.formName = formName
self.result = result
self.collection = collection
# 连接数据库
def collect_database(self):
client = pymongo.MongoClient(host=self.host, port=self.port) # 连接MongoDB
db = client[self.databaseName] # 选择数据库
collection = db[self.formName] # 指定要操作的集合,表
print('数据库已经连接')
return collection
# 保存数据
def save_to_Mongo(self):
# collection = self.collect_database()
try:
if self.collection.insert_many(self.result):
# print('存储到MongoDB成功', self.result)
print('存储到MongoDB成功')
except Exception:
print('存储到MongoDb失败', self.result)
# 查询数据
def selectMongoDB(self):
# collection = self.collect_database()
print('评论数据的总长度为：',self.collection.count_documents({}))
# print('正在查询数据库')
# for x in self.collection.find():
# print(x)
# 删除数据
def delete_database(self):
self.collection.delete_many({}) # 删除数据库内容
print('已清空数据库')
class SaveDataInFiles():
def __init__(self,csv_url='',txt_url='',results=''):
# 需要保存的数据
self.results = results
self.csv_url = csv_url
self.txt_url = txt_url
# 出口文件
def saveResults(self):
self.saveInCsv()
self.saveInTxt()
# 将结果ip保存到D:\python\meituan\output_file\proxyIp_kuai.txt中
def saveInTxt(self):
txt = open(self.txt_url, 'w')
txt.truncate() # 保存内容前先清空内容
for item in self.results:
itemStr = str(item)
txt.write(itemStr)
txt.write('\n')
txt.close()
# 将结果保存到D:\python\meituan\output_file\proxyIp_kuai.csv中
def saveInCsv(self):
# print('csv:',self.results,self.csv_url)
csvUrl = self.csv_url
pd.DataFrame(self.results).to_csv(csvUrl,mode='a',encoding="utf-8-sig") # 避免保存的中文乱码
print('保存到csv文件中成功了')
然后，调用相应的方法将ajax获得的数据保存起来。最重要的是保存到mongoDB数据库(一般是先连接数据库，然后再执行增删改查的操作)，保存到csv文件仅仅是为了直观的观察数据。save_shops_info.py文件源代码如下：'''
保存每个列表页所有商铺的基本信息
'''
import requests
import json
from get_shops import get_shops_url
from save_data import MongoDB
from save_data import SaveDataInFiles
output = [] #初始化数组，用于保存最终的结果
index = 1
# 定义类获取评论数据
def get_shops_info(ajax_url):
url = ajax_url # getshops传递过来的ajax_url
headers = {
'Host': 'st.meituan.com',
'Referer': 'https://st.meituan.com/meishi/',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36',
'X-Requested-With': 'XMLHttpRequest',
}
try:
response = requests.get(url, headers=headers)
# print('response:',response)
# print('response_text:',response.text)
# print('type(eval(response.text)):',type(eval(response.text)))
if response.status_code == 200:
return response.json()
except requests.ConnectionError as e:
print('Error', e.args)
# 从返回的json字符串中获取想要的字段
def save_shops_info(ajax_url,index):
items = get_shops_info(ajax_url).get('data').get('poiInfos')
output.extend(items)
print('正在追加内容到output数组中')
if __name__ == '__main__':
# for ajaxUrl in get_shops_url:
# save_shops_info(ajaxUrl,index)
#保存数据到数据库中
collection = MongoDB('shops_info','','').collect_database() #连接数据库
# MongoDB('shops_info', collection, '').delete_database() # 先清空数据库内容
# MongoDB('shops_info', collection, output).save_to_Mongo()
# 保存数据到csv中
# SaveDataInFiles('D:\python\meituan\output_file\shops_info.csv', '', output).saveInCsv()
#将数据保存到json文件夹中
# with open('D:\python\meituan\output_file\shops_info.json', 'w') as f:
# json.dump(output, f)
# 查询数据库数据
MongoDB('shops_info',collection,'').selectMongoDB()
获取每个店铺的评论信息
打开控制台，会发现，获取评论数据的ajax请求和前面获取店铺基本信息的请求相似，如下：
Request URL:
https://www.meituan.com/meishi/api/poi/getMerchantComment?uuid=9efd650a0d204774ba7a.1577010898.1.0.0&platform=1&partner=126&originUrl=https%3A%2F%2Fwww.meituan.com%2Fmeishi%2F152376939%2F&riskLevel=1&optimusCode=10&id=152376939&userId=&offset=0&pageSize=10&sortType=1
而其中的id=152376939就是我们前面保存的poiId。所以到了这一步，参照前面的方法，我们就可以获取后端传递过来的店铺评论数据了。
最后，将获取到的店铺评论数据保存起来。detailPage_getComments.py源代码如下：# 根据数据库中汕头市外卖商铺信息，爬取所有商铺的评论信息
# 爬取美团外卖评论 https://www.meituan.com/meishi/41007600/
import requests # 模拟浏览器向服务器发出请求
import math
import urllib.parse # 定义了url的标准接口，实现url的各种抽取
from selenium import webdriver
from save_data import MongoDB
from save_data import SaveDataInFiles
from config import ans
from requests.adapters import HTTPAdapter
#######################################################################################################################
# 定义类获取商铺评论标签和所有评论
class GetShopComments():
def __init__(self, shopBasicInfo, uuid, shop_num=''):
self.comments_ajax_url = "https://www.meituan.com/meishi/api/poi/getMerchantComment?"
self.ajax_headers = {
'Host': 'www.meituan.com',
'Referer': 'https://www.meituan.com/meishi/41007600/',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36',
'X-Requested-With': 'XMLHttpRequest',
}
# 前面GetShopInformation的类中传递过来的最大页数
self.maxPage = math.ceil(shopBasicInfo['allCommentNum'] / 10)
self.shopName = shopBasicInfo['title']
self.poiId = shopBasicInfo['poiId']
self.uuid = uuid['uuid']
# self.uuid = uuid
self.shop_num = shop_num
# 获取每个店铺页面上的所有数据(json格式)，标签+评论
def get_comments_in_page(self, items):
parms = {
'basicUrl':'https://www.meituan.com/meishi/api/poi/getMerchantComment?',
'uuid': self.uuid,
'platform': '1',
'partner': '126',
'originUrl': 'https%3A%2F%2Fwww.meituan.com%2Fmeishi%2F' + str(self.poiId) + '%2F',
'riskLevel': '1',
'optimusCode': '10',
'id': self.poiId,
'userId': '',
'offset': items,
'pageSize': '10',
'sortType': '1',
}
url = self.comments_ajax_url + urllib.parse.urlencode(parms)
# 连接超时，重新连接
request = requests.Session()
request.mount('http://', HTTPAdapter(max_retries=3))
request.mount('https://', HTTPAdapter(max_retries=3))
try:
response = request.get(url, headers=self.ajax_headers,timeout=10)
if response.status_code == 200:
return response.json()
# except requests.ConnectionError as e:
except requests.exceptions.Timeout as e:
print('Error', e.args)
# 解析json数据，并获取评论数据
def parse_comments_in_page(self, originJson, page):
if originJson:
items = originJson.get('data').get('comments')
if items:
for item in items:
comments = {
'shopName': self.shopName,
'page': page,
'username': item.get('userName'),
'user-icon': item.get('userUrl'),
'stars': item.get('star'),
'user-comment': item.get('comment'),
'user-comment-time': item.get('commentTime'),
'user-comment-zan': item.get('zanCnt')}
yield comments
# 解析json数据，并获取标签评论数据
def parse_comments_tags(self):
if self.maxPage > 0:
original_data = self.get_comments_in_page(1)
if original_data:
tags = original_data.get('data').get('tags')
if tags:
for item in tags:
item['poiId'] = self.poiId
item['shopName'] = self.shopName
return tags
# 评论数据的入口和出口
def get_comments(self):
commentsData = [] # 用于存储最终的结果，然后将结果保存到数据库中
if self.maxPage > 0:
for page in range(1, self.maxPage + 1):
print('我现在已经爬取到第' + str(shop_num) + '家店铺的第' + str(page) + '页啦~')
original_data = self.get_comments_in_page(page)
results = self.parse_comments_in_page(original_data, page)
for result in results:
commentsData.append(result)
return commentsData
# 评论标签数据
#######################################################################################################################
if __name__ == '__main__':
shop_num = 0 # 用于统计爬到哪一家店铺
# 开启新数据库用于保存评论数据
tags_collection = MongoDB('shops_tags', '', '').collect_database() # 连接数据库
comments_collection = MongoDB('shops_comments', '', '').collect_database() # 连接数据库
# 查看数据库内容
# MongoDB('shops_comments',comments_collection).selectMongoDB()
# 清空数据库
# MongoDB('shops_tags', tags_collection).delete_database()
# MongoDB('shops_comments', comments_collection).delete_database()
# 获取前面数据库中保存的商家数据
collection = MongoDB('shops_info', '', '').collect_database() # 连接数据库
shops = collection.find({}, {"poiId": 1, "title": 1, "allCommentNum": 1}) # 只输出id和title字段，第一个参数为查询条件，空代表查询所有
shops = list(shops) # 将游标转换成数组
for items in shops[0:]:
shop_num = shop_num + 1 # 用于统计爬到哪一家店铺
commentsRes = GetShopComments(items, ans, shop_num).get_comments() # 获取店铺的所有评论
tagsRes = GetShopComments(items, ans).parse_comments_tags() # 获取评论标签
MongoDB('shops_tags', tags_collection, tagsRes).save_to_Mongo() # 保存评论标签数据
MongoDB('shops_comments', comments_collection, commentsRes).save_to_Mongo() # 保存评论数据
SaveDataInFiles('D:\python\meituan\output_file\shop_comments.csv', '', commentsRes).saveInCsv() # 保存评论数据到csv文件中
SaveDataInFiles('D:\python\meituan\output_file\shop_tags.csv', '', tagsRes).saveInCsv() # 保存评论数据到csv文件中
原文链接：https://blog.csdn.net/qq_40511157/article/details/103641937
标签：uuid,get,python,美团,爬取,url,import,shops,self 来源： https://www.cnblogs.com/benming/p/12091145.html