selenium使用_使用selenium爬取京东商品评论

前言

我们在爬取网页时经常会遇到动态渲染页面，对于普通的Ajax，可以利用requests和urllib来实现数据爬取，但是javascript不止ajax一种，其规律有时很难发现，这一过程也会浪费很多时间。而selenium可以模拟浏览器执行特定的动作，这样就不用在乎javascript是如何渲染页面了。本次的实验对象是京东商品的评论，网址如下：

【ThinkPad】联想ThinkPad E580 15.6英寸轻薄窄边框笔记本电脑ibm大屏办公笔记本 英特尔酷睿 i5-7200U 8G 256G 1WCD【行情 报价 价格 评测】-京东​item.jd.com

当然你也可以使用selenium模拟浏览器在京东网页中搜索相关商品，操作也比较简单。所以我们专注讲解爬取商品评论的核心代码。

环境准备

1.我使用的编译器是pycharm

首先需要selenium库来模拟浏览器执行相关操作

在解析页面内容时我们会用到pyquery。

两个库可直接在anaconda中添加。

2.为方便以后selenium的学习，建议下载Splash

Splash是一个Javascript渲染服务，相当于一个轻量级的浏览器。

下载Splash前需要下载docker,官网下载地址如下：

https://www.docker.com/products/docker-desktop

下载前需要注册，如果是Win10专业版可以直接安装成功，Win10家庭版的话还需要安装hyper-V服务，将如下复制到.cmd文件中以管理员身份执行，完成hyper-V安装。

pushd "%~dp0"
dir /b %SystemRoot%servicingPackages*Hyper-V*.mum >hyper-v.txt
for /f %%i in ('findstr /i . hyper-v.txt 2^>nul') do dism /online /norestart /add-package:"%SystemRoot%servicingPackages%%i"
del hyper-v.txt
Dism /online /enable-feature /featurename:Microsoft-Hyper-V-All /LimitAccess /ALL

安装后查看Windows功能，可以看到hyper-v:

随后还要伪装成专业版，不然安装时还会报错，方法是：

打开注册表，定位到HKEY_LOCAL_MACHINEsoftwareMicrosoftWindows NTCurrentVersion，点击current version，在右侧找到EditionId，右键点击EditionId 选择“修改“，在弹出的对话框中将第二项”数值数据“的内容改为Professional，然后点击确定。再安装docker.exe文件即可正常安装。

然后在终端输入如下代码安装splash:

docker run -p 8050:8050 scrapinghub/splash

即可安装splash。

代码实战

1.观察商品界面，找到评论处，发现html后面会加上'#html',我们爬取时可以直接从这个页面中爬取。

商品评论

爬取思路是先获取评论页面，并可以执行翻页功能，核心就是找到‘下一页’按钮。

右键‘下一页’，点击检查，获取节点信息：

可以看到它的父元素的class为ui=page,他的class为'ui-pager-next',爬取代码如下：

def commodity_page(page):
 
    print('正在爬取第', page, '页')

    try:
        url = 'https://item.jd.com/46339527372.html#comment'
       
        browser.get(url)
        if page == 1:
            browser.maximize_window()  #避开右下角图标
        try:
            next_page = wait.until(
                EC.element_to_be_clickable((By.CSS_SELECTOR, 'div.ui-page>a.ui-pager-next')))
        except:
            next_page = 0
        print(next_page)
        # ActionChains(browser).move_to_element(next_page).perform()
        #
        # ActionChains(browser).move_to_element(mouse).perform()
        time.sleep(3)
        browser.get(url)
        get_comments()

        if next_page != 0:
            # time.sleep(3)
            next_page = wait.until(
                EC.element_to_be_clickable((By.CSS_SELECTOR, 'div.ui-page>a.ui-pager-next')))
            next_page.click()
            page = page+1
            commodity_page(page)  #获取评论信息

        else:
            print('已经是最后一页')
            return

    except TimeoutException:
        print('连接超时')

代码量不多，但是有两个大坑。第一个坑如下：

报错的意思就是'下一页'按钮被覆盖，观察界面，它被右下角的图标覆盖，如下图。

打开浏览器，要想去掉它，可以通过点击叉号或者鼠标悬停一段时间然后移出，但是更简单的方法是改变浏览器大小，直接避开了这个问题。代码如下：

browser.maximize_window()

第二个坑是在爬取第三页的时候报错

这里必须重新寻找下一页的按钮，否则只能爬取两页的数据。

2.获取评论信息

同样的方法查找评论具体信息的节点的class为comment-0,然后通过pyquery解析界面，筛选出评论内容，代码如下：

html = browser.page_source
    doc = pq(html)
    items = doc('#comment-0').items()
    for item in items:
        comment = {

            'content': item.find('.comment-con').text()
        }

将结果打印，验证是否成功：

评论爬取成功！

补充

本文侧重于selenium的使用，并未对数据在数据库上进行存储，解析数据时也可以使用其它库，关于这方面的内容可以查看这一篇文章：

贝特西：通过爬虫爬取2000名明星照片进行颜值评测，你心中的男/女神有多少评分？​zhuanlan.zhihu.com