90后的青春，定格在被淡忘的QQ空间里

QQ空间，这个曾经陪我们从童年到少年再到成年，从2G时代再到如今的4G末，占据了我们太多的青春回忆，如今好友空间动态更新的不在像从前那样频繁。依稀记得当年的好友买卖，抢车位再或者情侣空间，现在想想那时候真的很幼稚，那就是我们傻逼的童年，什么互踩，火星文，跑堂见证了我们无忧无虑的童年。

有时候看看QQ推送的"那年今日"，看到自己好几年前发的动态，说的傻话，自己都怕了自己。有时候看到好朋友几年前的动态，不由笑骂道，这孙子，怎么这么2！ 即使现在不怎么用QQ了，有时候看看曾经发的说说还有空间的留言。即使让我再尴尬也不舍得删，因为那都是青春满满的回忆。

空间留言上千条，说说也比较多，一页一页的翻比较麻烦。索性就把这些数据都下载到本地。同理我们也可以导出全部联系人的说说和留言板。

Selenium

由于访问好友留言板需要登录，为了方便起见我们使用Web应用程序测试的Selenium工具。该工具可以用于单元测试，集成测试，系统测试等等。它可以像真正的用户一样去操作浏览器等，支持Mozilla Firefox、Google Chrome、Safari、Opera、IE等等浏览器。

使用这个工具之前我们需要安装selenium库和下载相应浏览器的驱动。然后通过分析QQ空间登录界面我们发现默认是扫码登录，因此需要切换成账号密码登录。

通过分析html标签属性，我们发现 id="switcher_plogin"，是个切换登录的全局唯一属性。同理我们再需要找到账号、密码输入框和点击登录的元素就可以用selenium模拟登录了

登录部分代码如下：

from selenium import webdriver

driver = webdriver.Chrome()
    # 获取谷歌浏览器驱动
    driver = webdriver.Chrome()
    # 登录网站
    driver.get('https://i.qq.com')
    # 选择账号密码登录
    driver.switch_to_frame('login_frame')
    # 点击输入框获取输入
    driver.find_element_by_id('switcher_plogin').click()
    # 输入账号
    driver.find_element_by_id('u').send_keys('你的qq号')
    # 输入密码
    driver.find_element_by_id('p').send_keys('qq密码')
    # 点击登录
    driver.find_element_by_id('login_button').click()

　　

工作前的参数准备

通过查看开发者工具中的请求我们发现，登录之后每次请求除了携带必要的参数以外，还携带了登录获取的token和g_tk。token我们可以从网页源代码中直接获取，但是g_tk在源代码中没有，根据以往经验第一步只能从js中查看，果然发现了一段加密代码，再结合上下文发现是从cookie中取出“p_skey”的值再经过一系列操作就是g_tk的值了。因为我们需要先获取cookie，然后再通过cookie获取g_tk。

部分js加密逻辑代码

if (e) {
     if (e.host && e.host.indexOf("qzone.qq.com") > 0) {
        try {
           t = parent.QZFL.cookie.get("p_skey")
        } catch(e) {
           t = QZFL.cookie.get("p_skey")
        }
     } 
        ............
  }

"g_tk=" + QZFL.pluginsDefine.getACSRFToken(t)

QZFL.pluginsDefine.getACSRFToken._DJB = function(e) {
        var t = 5381;
        for (var n = 0,
        r = e.length; n < r; ++n) {
            t += (t << 5) + e.charCodeAt(n)
        }
        return t & 2147483647
    };

获取token && cookie && g_tk代码

"""
 获取g_tk的值
"""
def get_g_tk(cookie):
    hashes = 5381
    for letter in cookie['p_skey']:
        hashes += (hashes << 5) + ord(letter)
    return hashes & 0x7fffffff

# 获取登录之后的cookie信息
cookie = {}
for elem in driver.get_cookies():
    cookie[elem['name']] = elem['value']
# 获取g_tk
g_tk = get_g_tk(cookie)
# 利用xpath获取登录之后的网页源代码
html = driver.page_source
xpath = r'window.g_qzonetoken = (function(){ try{return "(.*?)";}'
# 通过xpath 获得登录后的token
token = re.compile(xpath).findall(html)[0]

开始搞事

破解了一个简单的反爬虫，下面就可以编写正式的爬虫代码了，首先确定我们目标url、通过浏览器分析响应的json对象、编写headers

因为每次请求都需要携带登录信息，为了方便我们用到了session类，其次观察相应我们发现返回的response有无用的字符，因此需要进行截取

headers = {
    'authority': 'user.qzone.qq.com',
    'method': 'GET',
    'scheme': 'https',
    'accept-language': 'zh-CN,zh;q=0.9',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
}

def get_resp(cookie, g_tk, token, page):
    session = requests.session()
    # 将cookie字典转换成RequestsCookieJar
    c = requests.utils.cookiejar_from_dict(cookie)
    # 将headers 放入session
    session.headers = headers
    # RequestsCookieJar复制给session
    session.cookies = c
    # 访问留言板的url
    url = f'https://user.qzone.qq.com/proxy/domain/m.qzone.qq.com/cgi-bin/new/get_msgb?uin={登陆的qq}&hostUin={要查询留言内容的QQ号}&start={page}&num=10&g_tk={g_tk}&qzonetoken={token}'
    print(url)
    response = session.get(url)
    # 截取无用的字符
    resp_text = response.text[10: -3]
    # 转为json
    resp_json = json.loads(resp_text)
    return resp_json

　　

上面的方法，只是获得了某一页的接口相应，我们通过json获取留言总数，再除以每页的条数，就可以知道总页数了。然后再遍历去取每页的数据，为了方便查看将数据保存在csv文件中，另外将留言内容保存在txt文件中，生成词云。

def get_zone_xx(cookie, g_tk, token, page=0):
    # 初始化请求为了取总条数
    resp_json = get_resp(cookie, g_tk, token, page)
    # 总条数
    total = resp_json['data']['total']
    print(f'共{total}条留言信息')
    # 总页数
    size = int(total/10 + 1)
    # 已经读取的信息条数
    use_page = 0
    # 保存每条数据信息，生成csv文件用
    content_arr = []
    for i in range(0, size):
        # 请求每一页的内容
        resp_json = get_resp(cookie, g_tk, token, i)
        # 当条数大于或等于总条数 跳出循环
        if use_page >= total:
            break
        # 从每页数据中取出需要的字段值
        for comment in resp_json['data']['commentList']:
            use_page += 1
            print(f'当前正在读取第{use_page}条')
            page_json = []
            # 留言日期
            page_json.append(comment['pubtime'])
            # 昵称
            page_json.append(comment['nickname'])
            # 内容
            content = replace_html(comment['htmlContent'])
            # 将内容写入文本 生成词云用
            with open('zone_text111.txt', 'a') as f:
                f.write(content)

            page_json.append(content)
            content_arr.append(page_json)

　　

生成csv文件

# 将总数据转化为data frame再输出
df = pd.DataFrame(data=content_arr,
                      columns=['留言日期', '昵称', '留言内容'])
df.to_csv('QQ_ZONE.csv', index=False, encoding='utf-8_sig')
print('已保存为csv文件.')

　　

运行上面代码生成csv文件部分内容如下

生成词云(wordcloud)代码如下

from wordcloud import WordCloud
import matplotlib.pyplot as plt
with open('zone_text.txt','r') as f:
    mytext = f.read()

font = r'C:WindowsFontssimfang.ttf'
wc = WordCloud(collocations=False, font_path=font, width=1400, height=1400, margin=2).generate(mytext)
plt.imshow(wc)
plt.axis("off")
plt.show()

plt.show()

　　

运行结果如下：

写在最后

上面的代码并没有太复杂，也许是触景生情，也许是对现在朋友圈各种乱七八糟的信息产生了抵触，所以试着去回忆青春的那些往事。
朋友圈和空间并不能去衡量一个人是是否成熟，但是对于大部分90后来说，空间真的是承载了太多纯真的回忆。不忘初心，砥砺前行！！！

---

公众号 程序员共成长 内回复【空间】，获取源代码

本文首发于公众号 程序员共成长 公众号内回复 [礼包] 即可领取优质资源，包括但不限于Java、Python、Linux、数据库、大数据、架构、测试、前端、ui以及各方向电子书