提供代码运行过程的相关咨询服务,确保代码成功运行。
本文代码已同步更新到,下面公众号。请大家关注公众号 【 Python人生之技术实践】, 近期将推出 豆瓣、知乎、微博、网易云音乐、拉勾网、知网的爬虫教程,代码已经完成,在整理阶段谢谢。
本文以获取大众点评网的店铺评论内容为案例,对爬虫的基本流程进行讲解。
全文共分为:准备工作、爬虫流程、爬虫代码三个部分。
声明:代码仅供学习交流,不能进行商业活动。如有侵权,请联系删帖。
1 准备工作
系统环境:windows 10
编辑器:pycharm, sublime
编程语言:python3.6
1.1 下载谷歌浏览器链接
https://pan.baidu.com/s/1lOKy9951FubKTECAcKVfRg
提取码:56xn
1.2 配置google 浏览器
安装完成后,在chrome浏览输入 chrome://version/ 查看版本号。
如下图 chrome的安装程序:
https://npm.taobao.org/mirrors/chromedriver/81.0.4044.69/
找到对应版本的chromedriver_win32.zip并下载。
如下图表示chromedriver.exe的安装程序:
大家也可以在这里下载我之前上传到百度云的chromedriver_win32:https://pan.baidu.com/s/16kWWKEzfzNpRMsniVUWngQ
提取码:8tgh。
2 爬虫目标 :大众点评网 某个店铺的所有评论内容
步骤1:首先登录大众点评网,因为需要复制cookies信息, 只有登陆后才能获取信息。
步骤2:分析评论内容,发现所有的评论内容均在html中,因此使用 xpath 筛选网页信息。
步骤3:在获取评论文本时发现,大众点评对评论内容进行了“图片—文字替换”,因此需要将评论中的图片文字转化为真正的文字。此过程称为网页评论图片-文字转换。将转换完成后的页面,作为新的解析网页。
爬虫网址:http://www.dianping.com/shop/515381/review_all
爬虫策略:使用selenium 伪装用户对网址进行请求,必须携带cookies信息。
爬虫难点:评论图片转换为评论文字。
爬虫结果: