「作者主页」：士别三日wyx

1. 分析评论接口

        首先，我们需要找到评论数据的「接口」，也就是网站获取评论数据的请求。

        打开一个需要抽奖的文章，进入「开发者模式」（按F12 或 右键检查），选中 Network 选项，同时「刷新」文章页面，使其重新发送请求，在右侧工具栏中观察页面发送的请求，逐个分析请求，根据响应内容判断出获取评论的请求

在 Headers 栏中可以查看完整「请求」

https://blog.csdn.net/phoenix/web/v1/comment/list/121888905?page=1&size=3&commentId=

  

 

  
1
 

2. 获取评论数据

        有了接口以后，我们使用 requests 模块发送请求，获取评论的数据

        注意请求中的两个参数： page 和 size

1. page 表示第几页，此处传 1 即可
2. size 表示每页显示几条数据，此处传 100 （有几条评论就写几）

import requests

# 评论请求连接
url = 'https://blog.csdn.net/phoenix/web/v1/comment/list/121888905?page=1&size=100&commentId='
# 请求头
header = {
        "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36"
    }

# 获取评论的请求数据（json字符串）
page = requests.get(url, headers=header)
print(page.text)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
 

3. 筛选评论用户

         nickName 字段保存评论用户名称，我们将获取到的数据根据 ，分隔成数组，再筛选出包含 nickName 的数据，即可获取所有评论用户的名称，核心代码如下

titles = page.text.split(',')  # 获取每一个字段
names = []  # 存放评论者名称的数组
for t in titles:
    # 获取所有评论者字段
    if 'nickName' in t and '"nickName":"士别三日wyx"' not in t:
        name = t[12:len(t)-1]  # 截取评论者名称
        names.append(name)  # 添加评论者名称至数组
print(names)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
 

        除了上面的方式外，也可使用正则表达式来匹配用户的名称，核心代码如下

# 获取所有评论者名称
names = re.findall('nickName":"([^"]*)",', page.text)
pond = []  # 奖池
for name in names:
    if '士别三日wyx' not in name:
        pond.append(name)  # 将参与者放入奖池

  

 

  
1
  
2
  
3
  
4
  
5
  
6
 

4. 抽取幸运观众

        使用 random.choice 函数生成随机用户，作为幸运观众，核心代码如下

# 随机生成幸运观众
star = random.choice(pond)
print('参与抽奖人数： %d' % len(pond))
print('幸运观众：%s' % star)

  

 

  
1
  
2
  
3
  
4
 

5. 完整源码

5.1 字符串截取的方式

        使用「截取字符串」的方式筛选数据，精确度较高，适用于绝大部分场景

import requests
import random

# 评论请求连接
url = 'https://blog.csdn.net/phoenix/web/v1/comment/list/121888905?page=1&size=100&commentId='
# 请求头
header = {
        "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36"
    }

# 获取评论的请求数据（json字符串）
page = requests.get(url, headers=header)
titles = page.text.split(',')  # 获取每一个字段
names = []  # 存放评论者名称的数组
for t in titles:
    # 获取所有评论者字段
    if 'nickName' in t and '"nickName":"士别三日wyx"' not in t:
        name = t[12:len(t)-1]  # 截取评论者名称
        names.append(name)  # 添加评论者名称至数组

# 随机生成幸运观众
star = random.choice(pond)
print('参与抽奖人数： %d' % len(names))
print('幸运观众：%s' % star)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
 

5.2 正则匹配方式

        使用「正则匹配」的方式筛选数据，有一定误差（用户名中不能包含 " ）

import requests
import random
import re

# 评论请求连接
url = 'https://blog.csdn.net/phoenix/web/v1/comment/list/121888905?page=1&size=100&commentId='
# 请求头
header = {
        "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36"
    }

# 获取评论的请求数据（json字符串）
page = requests.get(url, headers=header)
# 获取所有评论者名称
names = re.findall('nickName":"([^"]*)",', page.text)
pond = []  # 奖池
for name in names:
    if '士别三日wyx' not in name:
        pond.append(name)  # 将参与者放入奖池

# 随机生成幸运观众
star = random.choice(pond)
print('参与抽奖人数： %d' % len(pond))
print('幸运观众：%s' % star)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
 

5.3 执行结果

测试结果1

E:\data\PrCharm\pythonProject\venv\Scripts\python.exe E:/data/PrCharm/pythonProject/award.py
参与抽奖人数： 15
幸运观众：Willing 卡卡

Process finished with exit code 0

  

 

  
1
  
2
  
3
  
4
  
5
 

测试结果2

E:\data\PrCharm\pythonProject\venv\Scripts\python.exe E:/data/PrCharm/pythonProject/award.py
参与抽奖人数： 15
幸运观众：小辉_Super

Process finished with exit code 0

  

 

  
1
  
2
  
3
  
4
  
5
 

6. 书单推荐

        书中网罗监督学习回归、监督学习分类、无监督学习、半监督学习等机器学习bibei算法。不局限于Python中的sklearn的学习，紧跟大数据时代的发展。是初学者非常期待的入门书，有很多的示例可以帮助初学者快速上手。

详细信息可参考官方连接

文章来源: blog.csdn.net，作者：士别三日wyx，版权归原作者所有，如需转载，请联系作者。

原文链接：blog.csdn.net/wangyuxiang946/article/details/121991495