通过Python抓取天猫评论数据

天气逐渐寒冷，觉得应该给自己添加几件保暖的衣服了，于是想到了天猫，搜寻了一番，觉得南极人的保暖内衣还是不错的。到低怎么选择这么多的衣服呢？我一般选择按销量排序，毕竟销量也能侧面反映商品的受欢迎度和口碑状况，所以我来到了这个页面https://list.tmall.com/search_product.htm?spm=a220m.1000858.1000724.4.8qg2Js&cat=50025983&brand=107380&q=%C4%CF%BC%AB%C8%CB%B1%A3%C5%AF%C4%DA%D2%C2&sort=d&style=g&from=.list.pc_1_suggest&suggest=0_1#J_Filter，

接着点进去后，发现有非常多的历史累计评价，于是我一条条的查看，一页页的翻，觉得口碑还是非常不错的，于是选择这款商品。我想大家可能也是这样的购物模式，也许还可能更加复杂（货比三家，口碑比较，联系卖家......）。

如果有一天，我想研究这些个评论数据，然后玩玩高大上的自然语言处理，我是不是该把这些评论复制下来拷贝到一张大表里呢？虽然可以这么做，但总觉得效率有点低（相比于爬虫不是低一两个量级哦~）。如果你会爬虫的话，你就会感受到自动化给你带来的兴奋，接下来我们就研究研究如何使用Python对天猫的评论数据进行抓取。

按照常规出牌，发现然并软。。。。

一般常规是这样进行的，在上面的评论页中，右击选择“查看网页源代码”，于是代码是长这样的：

我想搜一下原始网页中有一条评论“很好，高级划算的”这句话在源代码的什么位置，非常不幸的是，当我按下Ctrl+F，并输入“很好”，尽然没有这样的字眼。。。难不成我抓不了天猫网站的评论数据了？No,方法还是有的，只不过不能出常规牌了，因为天猫的评论数据是异步存储在其他地方的。

非常规方法，两眼发光！

在评论页面，我们按一下F12（我用的是Chrom浏览器）那个键，于是出现了这个：

也许你的页面布局是上下两部分，而且下半部分什么也没有，这个时候你需要做两件事：1，选择Network底下的JS部分，因为天猫的评论数据是异步存储在一个JS连接里面的；2，刷新页面，找到一个叫“list_detail_rate“开头是文件。当你打开这个文件后，它是长成这样的：

你会发现有一个请求连接，接下来你只需要将这个链接复制下来，并在浏览器中粘贴这个地址，你就会发现，原来这些评论隐藏在这个地方啊。。。

哈哈，接下来我们就可以通过正则表达式，把类似于红框中的信息抓取下来（用户昵称，评论时间，购买的套餐，衣服尺寸，评论内容）。你可能还会问一个问题，你这个页面里也只是装的一页的评论信息，如何把所有页面的评论信息全部抓下来呢？我们发现一个规律，那个复制下来的连接可以总结为这种形式：https://rate.tmall.com/list_detail_rate.htm?itemId=521136254098&spuId=345965243&sellerId=2106525799&order=1&currentPage=1，可以每次更换最后的currentPage值就可以抓取出不同页的评论信息了。

爬虫知识：

requests模块：

get方法向对方服务器发送一个url请求；

text方法可以将get请求的回应转换为文本的字符串格式；

re模块：

findall函数借助于正则表达式在文本中寻找所有匹配的结果，语法格式：

findall(pattern,string,flags)

pattern接受一个正则表达式对象；

string接受一个需要处理的字符串；

flags接受一个模式参数，如是否忽略大小写（flags = re.I）;

上菜：

# 导入所需的开发模块

import requests

import re

# 创建循环链接

urls = []

for i in list(range(1,100)):

    urls.append('https://rate.tmall.com/list_detail_rate.htm?itemId=521136254098&spuId=345965243&sellerId=2106525799&order=1&currentPage=%s' %i)

# 构建字段容器

nickname = []

ratedate = []

color = []

size = []

ratecontent = []

# 循环抓取数据

for url in urls:

    content = requests.get(url).text

# 借助正则表达式使用findall进行匹配查询

    nickname.extend(re.findall('"displayUserNick":"(.*?)"',content))

    color.extend(re.findall(re.compile('颜色分类:(.*?);'),content))

    size.extend(re.findall(re.compile('尺码:(.*?);'),content))

    ratecontent.extend(re.findall(re.compile('"rateContent":"(.*?)","rateDate"'),content))

    ratedate.extend(re.findall(re.compile('"rateDate":"(.*?)","reply"'),content))

    print(nickname,color)

# 写入数据

file = open('南极人天猫评价.csv','w')

for i in list(range(0,len(nickname))):

    file.write(','.join((nickname[i],ratedate[i],color[i],size[i],ratecontent[i]))+'\n')

file.close()

最终呈现的爬虫结果如下：

今天的爬虫部分就介绍到这里，本次的分享目的是如何解决网页信息的异步存储。在之后的分享中我将针对这次爬取的评论数据进行文本分析，涉及到切词、情感分析、词云等。

每天进步一点点2015

学习与分享，取长补短，关注小号！

长按识别二维码 马上关注