Python爬虫采集京东商品评价

这一期就和大家分享一下如何爬取京东商品的评价信息，这里先设置爬取50页，以做日后分析。

准备工作

下面是本项目要用到的第三方库。

import requests
import json
import time
import random

一、查找商品并检查网页

在浏览器里打开京东网站，随便找一款商品，这里我以华为P30手机为例（因本文内容不做深入研究，所以暂先不需要登录）然后在页面中右键选择检查（或F12）打开开发者模式。

二、查找评论链接

在网页中找到评论按钮并点击使其加载数据，然后我们点击network查看数据。接着查找加载评论数据的请求url，我们可以复制某条评论中的一段话，然后在调试窗口中（Ctrl+F）调用搜索框进行搜索，可以得到对应的结果：

三、发起requests请求

得到评论数据接口url之后，就可以开始写代码抓取数据了。我们先尝试抓取一条数据，成功之后，再去分析如何实现批量抓取。上一篇我们已经讲解了如何使用requests库发起http请求，我们来看看代码：

def spider_comment(page=0):
    url = 'https://club.jd.com/comment/productPageComments.action?callback=fetchcomment98&productId=100004404944&' \
              'score=0&sortType=5&page=%s&pageSize=10&isShadowSku=0&fold=1' % page
    try:
        headers = {
            "referer": "https://item.jd.com/100004404944.html",
            "user - agent": "Mozilla / 5.0"
        }
        r = requests.get(url, headers=headers)
        r.raise_for_status()
    except:
        print("error")

四、数据的提取

点击查找后得到的结果，可以得到一组字符串，这便就是我们想要得到的结果。当然，此数据为jsonp跨域请求返回的json结果，所以我们只要把前面的’ fetchJSON_comment98( '和最后的 ’ ) ’ 去掉就可以得到json数据了,因为每个商品的编号可能不同，所以这里不做统一。json以键值对的形式保存，其中有一个名称为comments的key里面存放这我们想要的评论数据。再对comments值进行分析发现它包含了评论的内容，时间，id等信息，我们想要得到的评价内容则隐藏在content字段中。

	# 去除前后无用字符
	json_str = r.text[15:-2]
    # 将json转换为python对象
    json_obj = json.loads(json_str)
    # 获取评价列表
    comments = json_obj['comments']
    # 可以用for循环打印出所有评论
    for comment in comments:
    	print(comment['content']+'\n')

五、数据存储

提取数据之后，我们将信息以TXT文本文件的格式保存起来,方便以后使用（这里提前创建好txt文件，只需循环写入即可）。

    for comment in comments:
        with open('E:/python/resource/comments.txt', 'a+') as f:
            f.write(comment['content'])
            f.write('\n')

六、实现翻页，批量采集

完成第一页数据采集之后，我们来研究一下如何批量抓取？让我们看一看第一页评论数据的url：

https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId=100004404944&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&rid=0&fold=1

可以看到链接里面有两个参数 page=0&pageSize=10，page表示当前的页数，pageSize表示每页多少条，所以使这里的数字发生改变就可以实现翻页的功能。了解了翻页的原理后，那我们就开始实现它吧。首先，找到第二页按钮并点击，然后复制第一条评价去调试窗口搜索（方法同上），然后点击Headers查看第二页请求数据的url：

https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId=100004404944&score=0&sortType=5&page=1&pageSize=10&isShadowSku=0&rid=0&fold=1

通过比较第一页评价与第二页评价的url的区别，可以看出第一页page=0，第二页page=1，以此类推。所以只要在每次请求时将page参数递增就可以实现翻页了，这里可以利用迭代器来实现，（对spider_comment方法增加入参page：页数，然后在url中增加占位符，这样就可以动态修改url，爬取指定的页数）。我们来看一下代码：

def change_page():
    for i in range(50):
        spider_comment(i)
        time.sleep(random.random() * 5)
    print("ok")

# 调用主函数
if __name__ == '__main__':
    change_page()

注：在for循环中设置了一个随机的休眠时间，用来模拟用户浏览，防止爬取太频繁被封ip

让我们看一看爬取的结果吧！

附源代码：

# coding='utf-8'
import requests
import json
import time
import random
import jieba


headers = {
        "referer": "https://item.jd.com/100004404944.html",
        "user - agent": "Mozilla / 5.0"
    }


def spider_comment(page=0):
    url = 'https://club.jd.com/comment/productPageComments.action?callback=fetchcomment98&productId=100004404944&' \
          'score=0&sortType=5&page=%s&pageSize=10&isShadowSku=0&fold=1' % page
    try：
        r = requests.get(url, headers=headers)
        r.raise_for_status()
    except:
        print("error")
    # 获取json字符串
    json_str = r.text[15:-2]
    # 将json转换为python对象
    json_obj = json.loads(json_str)
    # 获取评价列表
    comments = json_obj['comments']
    # 遍历列表并写入
    for comment in comments:
        with open('E:/python/resource/comments.txt', 'a+') as f:
            f.write(comment['content'])
            f.write('\n')


def change_page():
    for i in range(2):
        spider_comment(i)
        time.sleep(random.random() * 5)
    print("ok")


if __name__ == '__main__':
    # spider_comment()
    change_page()

如有错误，欢迎私信纠正，谢谢支持！