一、前言
基于评论信息做情感分析模型第一步,收集数据。这里准备抓取京东商城的物品评论,大致可以分为两步。
1、获取商品id
2、获取商品评论
二、实战
接下来的代码都基于scrapy框架编写,请确保已经了解scrapy基础知识。
1、获取商品id
从京东商城首页随意点击进入一个子类,这里选取家电类: https://jiadian.jd.com/,可以看到这个页面已经有商品存在:
很明显,这里的url后面的数字就这个物品id,右键点击查看源代码,查找: item.jd.com:
还不错,一个页面有400多个id,那么就可以直接用正则匹配把源码中的id取出来,代码如下:
class IdentitySpider(scrapy.Spider):
name = 'identity'
allowed_domains = ['www.jd.com']
start_urls = []
def start_requests(self):
for _, url in PD_MAPS.items():
yield Request(url)
def parse(self, response):
item = JdItem()
ids = parse_info(response.body, 'item.jd.com.*?(\\d+)\.html', 1)
for i in ids:
item['info'] = i.strip()
yield item
这里抓取完毕后在pipeline中将每一个id写入本地文件中,id抓取完毕。
2、抓取商品评论
随便点开一个商品,查看评论:
很明显,这是一个ajax的动态加载,那么这个接口地址就能找到了:
圈出来的部分很好理解,分别是商品id,评分(好、中、差),页数,直接拼起来就行了,代码如下:
class CommentSpider(scrapy.Spider):
name = 'comment'
allowed_domains = []
start_urls = ['http://www.jd.com/']
def parse(self, response):
path = os.path.join(os.getcwd(), 'data', 'identity.txt')
fr = open(path, 'r')
urls = [(CM_URL.format(i.strip(), s, 0), s) for i in fr.readlines() for _, s in SC_MAPS.items()]
for url, score in urls:
yield Request(url, meta={'page': 0, 'score': score}, callback=self.parse_comment)
def parse_comment(self, response):
item = JdItem()
meta = response.meta
response_json = demjson.decode(txt=response.text, encoding='utf-8')
if meta['page'] < int(response_json['maxPage']) and meta['page'] < 100:
meta['page'] += 1
url = u'='.join(response._url.split(u'=')[:-1])+u'='+str(meta['page'])
yield Request(url, meta=meta, callback=self.parse_comment)
for c in response_json['comments']:
content = ''.join(c['content']).strip().replace(u'\n', u'').replace(u'\r', u'').encode('utf-8')
item['info'] = '{} {}'.format(meta['score'], content)
yield item
跟商品id一样共用pipeline,直接写到本地文件中,到这里就大功告成了,评论信息如下:
1 冲着5.99英寸的大屏幕去买,货到了一看怎么比我现在用的华为(5.5英寸)6X还小点,跟商家联系也无法沟通,退货商家说要自己承担邮费,我怎么觉得现在的京东商品和服务态度都越来越差了
1 为什么盒子上的型号是Y79A啊
1 可惜货到了物流不给看货!!物流也慢
2 手机不错,但是发货速度令人发指,11月18日20:25下单,下单时商品注明当日23:00前下单,次日11月19日到货,下单后迟迟不发货,找了三次京东服务,一直到11月20日中午才发货,11月21日早上才到货,京东的口碑还值得信任吗?
2 物流是在太慢了,等了4天了
2 玩游戏有点闪屏
2 有后悔药吗…!分辨率低果然不好,玩王者荣耀都不好看
2 和实物不和
3 错,挺好的,特别是还买了一张卡特实惠,感觉真的不错,很满意。
3 今东太快了!昨天下午下单,今中午就收到,就是号码不和我定的一样啊!
三、其他
详细代码可以在我的github上找到:https://github.com/lpty/crawl_tutorial
注意:本项目代码仅作学术交流使用