根据景区关键词爬取捷程的景区评论的方法

最近为了完成作业，做了一个小旅游网站

其中我希望能在展示景区介绍的时候，顺便展示景区的评论，这就需要找到捷程或是其他旅游网站的api。但是找了许久没能如愿。这下不得不爬了（bushi)

在找api的过程中发现了一篇文章python爬取携程景点评论信息 - 知乎 (zhihu.com)

其中有一个神秘的接口

postUrl = "https://sec-m.ctrip.com/restapi/soa2/12530/json/viewCommentList"

按照他的请求方法，可以获得如下这么一坨

{'ResponseStatus': {'Timestamp': '/Date(1697024577621+0800)/', 'Ack': 'Success', 'Errors': [], 'Build': None, 'Version': None, 'Extension': [{'Id': 'CLOGGING_TRACE_ID', 'Version': None, 'ContentType': None, 'Value': '6433706856160040933'}, {'Id': 'RootMessageId', 'Version': None, 'ContentType': None, 'Value': '100025527-0a70c344-471395-1620854'}]}, 'head': {'auth': '', 'errcode': 0, 'errmsg': ''}, 'data': {'cmtquantity': 31945, 'cmtscore': 4.5, 'totalpage': 624, 'recompct': '96%推荐', 'stscs': [{'tagid': -21, 'count': 0, 'desc': '带图', 'moodtype': 0, 'location': 'tab'}, {'tagid': -12, 'count': 1121, 'desc': '低分', 'moodtype': 0, 'location': 'tab'}, {'tagid': -250, 'count': 31195, 'desc': '最近出行', 'moodtype': 0, 'location': 'tab'}, {'tagid': -22, 'count': 17392, 'desc': '消费后评价', 'moodtype': 0, 'location': 'tag'}], 'comments': [{'id': 177804171, 'uid': '芳菲旅游达人', 'userImage': 'https://dimg04.c-ctrip.com/images/0Z84412000bqxlgsx5457_C_180_180.jpg', 'title': '', 'content': '羊城广州，既是岭南文化的发源地，也是美食天堂。在这座城市，你将感受到独特的南国风情，品味各种地道的美食。n第一天：感受广州历史文化n从广州白云国际机场或广州火车站出发，乘坐地铁或出租车前往市区。n首先游览广州地标建筑——广州塔。在此欣赏到广州全景，领略珠江两岸风光。n门票攻略：广州塔观景台，150元/人。n中午，品尝广州特色美食——点心，如虾饺、烧卖、肠粉等，尽享广州的美食盛宴。n下午，游览陈家祠，感受岭南建筑的魅力，欣赏精美的石雕、木雕、砖雕。门票攻略：陈家祠，15元/人。n晚餐，品尝地道的广州烧烤，享受美味的夜宵。n入住市区的酒店，广州的住宿选择丰富，有五星级酒店、经济型酒店、民宿等，总有一款适合你。n第二天：探访岭南文化与自然景观n上午，游览白云山，领略自然风光。漫步山间小道，欣赏蓝天白云，清新空气。门票攻略：白云山，5元/人。。', 'date': '2023-07-29 22:35', 'score': '5', 'isselect': False, 'simgs': [], 'videos': [], 'replyeditor': None, 'reply': None, 'usecount': 18, 'sourcetype': 0, 'playdate': '', 'keywordlist': None, 'cmttype': 'others', 'commentOrderInfo': '', 'commenter': False, 'memberLevel': 0, 'memberName': '普通会员', 'sightStar': 5, 'interestStar': 5, 'costPerformanceStar': 5},], 'abtests': []}}

分析response发现里面有content和uid，足够我们的景区评论功能使用了，接下来就是把这个接口用在我们的代码里。

首先，原文章的景区id是直接在网页里找的，如下

显然，这不符合我的接口的要求，需要实现根据关键词来获取景区id

打开捷程官网首页，F12查看“网络”，输入一个景点的名字，可以发现有一个search的任务，点击打开响应，可以发现我们需要的景区id就在这里

再分别打开标头和负载，就可以找到请求的形式，接下来就很简单了

根据上面的标头和负载的形式，写一个请求，来获取景区的id

（传入关键词）

# 获取关键字参数
keyword = sys.argv[1]

CodeUrl = "https://m.ctrip.com/restapi/soa2/26872/search"
​
codedata = {
    "action": "online",
    "source": "globalonline",
    "keyword": keyword
}
​
response = requests.post(CodeUrl, data=json.dumps(codedata)).text
data_dict = json.loads(response)
# 获取第一个元素的"id"字段的值
id_value = data_dict['data'][0]['id']

得到了景区的id，就可以仿照前面那篇文章写的，去获取景区的评论

postUrl = "https://sec-m.ctrip.com/restapi/soa2/12530/json/viewCommentList"
​
data_1 = {
    "pageid": "10650000804",
    "viewid": id_value,
    "tagid": "0",
    "pagenum": "1",
    "pagesize": "50",
    "contentType": "json",
    "SortType": "1",
    "head": {
        "appid": "100013776",
        "cid": "09031037211035410190",
        "ctok": "",
        "cver": "1.0",
        "lang": "01",
        "sid": "8888",
        "syscode": "09",
        "auth": "",
        "extension": [
            {
                "name": "protocal",
                "value": "https"
            }
        ]
    },
    "ver": "7.10.3.0319180000"
}
​
html = requests.post(postUrl, data=json.dumps(data_1)).text
html = json.loads(html)

这样就把返回的内容存到了html中，解析html，把uid和评论保存在数组中

# 初始化一个空数组，用于存储JSON对象
result_array = []
​
html1 = requests.post(postUrl, data=json.dumps(data_1)).text
html1 = json.loads(html1)
​
comments = html1['data']['comments']
for i in comments:
    name = i['uid']
    content = i['content']
    content = re.sub(" ", "", content)
​
     # 创建一个包含name和content字段的JSON对象
     comment_obj = {"name": name, "content": content}
     # 将JSON对象添加到结果数组中
     result_array.append(comment_obj)
​
     # 将结果数组输出为JSON格式
result_json = json.dumps(result_array)
​
print(result_json)

到此，就实现了根据景区关键词爬取捷程的景区评论的功能

可以使用下面这个接口获取景区的评价

// 不过我只爬取了一页的评论，因为一页的评论已经足够我使用了

完整代码：

import re  
import requests  
import json  
import sys  
  
# 获取关键字参数  
keyword = sys.argv[1]  
  
try:  
CodeUrl = "https://m.ctrip.com/restapi/soa2/26872/search"  
  
codedata = {  
"action": "online",  
"source": "globalonline",  
"keyword": keyword  
}  
  
response = requests.post(CodeUrl, data=json.dumps(codedata)).text  
data_dict = json.loads(response)  
# 获取第一个元素的"id"字段的值  
id_value = data_dict['data'][0]['id']  
  
head = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:56.0) Gecko/20100101 Firefox/56.0'}  
  
postUrl = "https://sec-m.ctrip.com/restapi/soa2/12530/json/viewCommentList"  
  
data_1 = {  
"pageid": "10650000804",  
"viewid": id_value,  
"tagid": "0",  
"pagenum": "1",  
"pagesize": "50",  
"contentType": "json",  
"SortType": "1",  
"head": {  
"appid": "100013776",  
"cid": "09031037211035410190",  
"ctok": "",  
"cver": "1.0",  
"lang": "01",  
"sid": "8888",  
"syscode": "09",  
"auth": "",  
"extension": [  
{  
"name": "protocal",  
"value": "https"  
}  
]  
},  
"ver": "7.10.3.0319180000"  
}  
  
html = requests.post(postUrl, data=json.dumps(data_1)).text  
html = json.loads(html)  
  
# 初始化一个空数组，用于存储JSON对象  
result_array = []  
  
html1 = requests.post(postUrl, data=json.dumps(data_1)).text  
html1 = json.loads(html1)  
  
comments = html1['data']['comments']  
for i in comments:  
name = i['uid']  
content = i['content']  
content = re.sub(" ", "", content)  
  
# 创建一个包含name和content字段的JSON对象  
comment_obj = {"name": name, "content": content}  
# 将JSON对象添加到结果数组中  
result_array.append(comment_obj)  
  
# 将结果数组输出为JSON格式  
result_json = json.dumps(result_array)  
  
print(result_json)  
  
except requests.exceptions.RequestException as e:  
print(f"连接失败，错误信息：{str(e)}")  
except json.JSONDecodeError as e:  
print(f"JSON解析错误，错误信息：{str(e)}")  
except Exception as e:  
print(f"发生错误，错误信息：{str(e)}")

下面是爬取全部景区第一页评论的代码（也可以稍加修改改成全部页）

不过有一个缺陷，神秘接口很鸡贼的没有在返回中加上景区的中文名，爬下来的也只有景区id，没有使用价值

# 第一个编号是227还是228来着  捷程的景区编号位数长短不一，姑且写个200000000
for n in range(227,200000000):
​
     data_1 = {
         "pageid": "10650000804",
         "viewid": n,
         "tagid": "0",
         "pagenum": "1",  # 修改为只获取第一页的评论
         "pagesize": "50",
         "contentType": "json",
         "SortType": "1",
         "head": {
             "appid": "100013776",
             "cid": "09031037211035410190",
             "ctok": "",
             "cver": "1.0",
             "lang": "01",
             "sid": "8888",
             "syscode": "09",
             "auth": "",
             "extension": [
                 {
                     "name": "protocal",
                    "value": "https"
                }
            ]
        },
         "ver": "7.10.3.0319180000"
     }
​
     try:
         html = requests.post(postUrl, data=json.dumps(data_1)).text
         html = json.loads(html)
         # comments = html['data']['comments']
​
         IDs = []
         names = []
         scores = []
         contents = []
         times1 = []
​
         print(f'正在抓取 id={n}')  # 显示正在抓取的n的值
         html1 = requests.post(postUrl, data=json.dumps(data_1)).text
         html1 = json.loads(html1)
         print(html1)
         comments = html1['data']['comments']
         for i in comments:
              name = i['uid']
             content = i['content']
             content = re.sub(" ", "", content)
​
             time1 = i['date']
             names.append(name)
             contents.append(content)
​
             print(name, content)
​
         if n == 0:
             mode = 'w'
         else:
             mode = 'a'
​
         pf = pd.DataFrame({'n': n,  'names': names, 'contents': contents})
         pf.to_csv("pinglun.csv", encoding="utf-8-sig", header=False, index=False, mode=mode)
     except Exception as e:
         print(f"连接失败，错误信息：{str(e)}")
         continue