博客

京东评论爬取—-爬虫入门进阶版

  • Post author:
  • Post category:其他

文章目录

京东评论的爬取

提示：以下是本篇文章正文内容，下面案例可供参考

1.京东评论初次爬取

  • 以下代码为初次尝试,爬取时所写
  • 但发现有点不尽人意,获取到的代码和开发者工具中的不同,所以返回不了正确结果
  • 那么,请往下看
#站酷网爬虫
import os
import requests
from lxml import etree

url = 'https://item.jd.com/100009077475.html'

headers = {
    #没有user-agent,返回简短的html代码，js重定向到登录页面
    'user-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36    (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36'
}
resp = requests.get(url,headers=headers)
html = resp.text
# print(html)
#将html代码,写入本地
import os
file_path = os.path.join(os.path.dirname(__file__),'1京东商品页响应临时.html')
with open(file_path,mode='w',encoding='utf-8') as f:
    f.write(html)

dom = etree.HTML(html)
comment_pattern = '//div[@class="comment-item"]//p[@class="comment-con"]/text()'
comments = dom.xpath(comment_pattern)
for i in comments:
    print(i)

2.静态网站与动态网站

1).静态网站

  • 几乎所有的后端语言的web框架，java ssh、 php 、python flask django.
  • 服务端web程序接收到请求后，从数据库取数据，把数据拼凑到事先准备的html模板骨架中，形成个完整的网贝html,最终响应，浏览器解析，用户看到效果。
  • 这种技术非常流行，广义上来说是静态网站，狭义上是动态网站
  • 缺点:如果页面数据已经变更，例如刚发了一 条微博、一 条朋友圈，已经有人评论，但不知道，只有刷新页面才能看到。需要手动频繁刷新页面。不刷新可能错失信息，刷新又累。
#伪代码
def product_detail(pid):
     pid,
     comments = select * where id=pid
     f"""
     <html>
         <nav>
         <div class = 'product'></div>
         {{comments}}
         <footer>
     <htmL>
     """
     return httpResponse()

2).动态网站

  • 第一次请求从后台收到html源代码，html 源代码只有网页菜单导航等公共部分利js。
  • 浏览器拿到第次响应，解析js， js中发起后续异步后台请求，从后台拿到纯数据，通过js把数据滥染某一处div 里面，最终用户看到完整网页。
  • 优点:传输更快，首屏加载更快，局部刷新，体验更好.缺点:写js增加开发成本
  • 场景:评论、微博朋友圈提示、注册表单再提交前提示用户名已注册。
  • 技术栈: js xhr jquery. ajax,nodejs vue aios
#伪代码
def product_ detail():
    f"""
    <html>
        <nav >
        <div class=' product_ introduce'></div>
        <div id=' comment''></div>
        <footer>

        <script>
            xmL-http-request
            resp = xhr('getCommentByPID(101010997) ')
            comments = resp. json
            document . getELementById(' comment'). innerText = comments
        </script>
    <html>
    """
    return httpResponse()

def get. comment by_ pid(101010997):
    pass  #post请求
    select comments from comment where pid=101010997
    return comments

3.评论请求分析

1) 找js xhr请求评论数据

  • 不关心对方js怎么写的和渲染到网页。只要找到http请求，用python模拟。

2)寻找技巧:

  1. 开发者工具network, 过滤xhr 和js的请求。
  2. 找post类型的http请求。 post（隐藏参数）
  3. 找比较像的名字comment api get_ info get_ list
  4. 响应是纯数据，而不是html信息。
  5. 尝试在网页中触发异步js数据请求，先清空实验请求，然后在开发者工具中观察有没有新增请求。
  6. network工具获取焦点，ctrl+f打开隐藏的搜索框， 在所有请求、请求头、响应全文搜索关键字。|

4.JSON

1) json格式

  • 为什么用son, xml?而不是list dict [] {}。
  • 因为不同计算机互相交流数据，java、 php、 python、C、C++、 Go,
  • 键值对，python里{‘name’; ’ 小明’}浏览器urL 里name=小明， java map, js对象{}。
  • 类似的结构，因为解释器底层实现不一样，表示同样数据的二进制不样。{ ‘name’; ’ 小明’} >二. 进制，编码。
  • 每一台计算机上的编程语言和服务不一样。 需求”中间格式”。 python 内置对象子中间格式+服务器自已语言格Cjava
  • 所以，有统一格式。XML，Json, [字符串]。

2) json格式字符

  • json格式语法{ }内键值对属性和值，[]数组一组， 基本类型整数、字符申。字符申用[双引号]
import json

xiaoming_json_str = """
    {
        "name" : "小明",
        "age" : 13,
        "parent" : [
            {
                "name" : "小明爸爸",
                "age" : 43
        },
            {
                "name" : "小明妈妈",
                "age" : 43
        }
    ]
}
"""
#打印在控制台的结果看不出来变量是字符申还是字典，应该用type()函数判断
# print(type(xiaoming_json_str), xiaoming_json_str)

# json字符串-> python内 置数据结构
xiaoming_dict = json.loads(xiaoming_json_str)
print(type(xiaoming_dict), xiaoming_dict)
print(xiaoming_dict['name'])
for parent in xiaoming_dict['parent']:
    print(parent['name'])

#python 内置数据结构 -> json字符串
students =[
    {'name': '小明' ,'age' : 13,'gender' : '男'},
    {'name': '小2' ,'age' : 13,'gender' : '男'},
    {'name': '小1' ,'age' : 13,'gender' : '男'},
]
xiaoming_json_str = json.dumps(students)
print(type(xiaoming_json_str), xiaoming_json_str)

3) XML

  • 过去很流行，但稍麻烦，现在用的越来越少
<students>
    <stu>
        <name>小明</name>
        <age>13</age>
    </stu>

    <stu>
        <name>小红</name>
        <age>11</age>
    </stu>
</students>

5.请求天气接口

  • 时下流行,前后端分离开发技术
  • 后端负责接收请求,响应纯数据,叫’API’前端js负责发请求
  • 接口 (别人提供的后台程序) 分为合法和非法
  • 合法:阿里云各种AI接口,淘宝商品,gtihub,
  • 非法:****接口,
import json
import requests
url = 'http://t.weather.itboy.net/api/weather/city/101100201'

resp = requests.get(url)
status_code = resp.status_code
weather_str = resp.text

weather_obj = json.loads(weather_str)
# print(type(weather_obj), weather_obj)
# json结构复杂，如何观察取数据
# 把返回值从浏觉器或控制复制到pycharm的临时.json文件中
# pycharm/code/reformat格式化json 文件，照着json文件层级取数据

weather_data = weather_obj['data']
day_weather_list = weather_data['forecast']
for day in day_weather_list:
    # print(day)
    date = day['date']
    high = day['high']
    low = day['low']
    type = day['type']
    print(f'今天2020.1.{date},天气{type},最{high},最{low}')

实验结果:
在这里插入图片描述

6.京东评论的爬取

重头戏 


import json
import requests

base_url = 'https://club.jd.com/comment/productPageComments.action'

headers = {
    #没有user-agent,返回简短的html代码，js重定向到登录页面
    #
    'user-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36    (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36',
    'Referer': 'https://item.jd.com/'
}
# tips:从开发者工具network请求头下面的query params复制下来再调整。使用编辑器列编辑模式 alt+shift+鼠标拖动。
params = {
    # 'callback': 'fetchJSON_comment98',           #回调
    'productId': 100009077475,                   #商品id
    'score': 0,
    'sortType': 5,
    'page': 1,                                   #第n页
    'pageSize': 10,
    'isShadowSku': 0,
    'rid': 0,
    'fold': 0
}

for i in range(1,11):

    params['page'] = i
    # print(params)

    resp = requests.get(base_url,headers=headers,params=params)
    print(resp)
    status_code = resp.status_code
    #得到一个jsonp (跨域)

    comment_json = resp.text
    # print(comment_json)

    # 京东评论接口返回jsonp格式，涉及跨域问题。需要将先jsonp转json。
    # 方法1：python字符串方法删除固定长度无用字符串;2(推荐)上网找从jsonp过滤json正则;3本例中发现修改参数可以直接返回json
    comment_obj = json.loads(comment_json)
    comment_data = comment_obj['comments']

    for comment in comment_data:
        id = comment['id']
        content = comment['content']
        creation_time = comment['creationTime']
        product_color = comment['productColor']
        print(f'用户ID:{id}\n购买颜色:{product_color}\n评论:{content}')
        print('*'*100)

实验结果:
在这里插入图片描述

7.哔哩哔哩番剧 标题爬取


import json
import requests

base_url = 'https://api.bilibili.com/x/web-interface/newlist'

headers = {
    #没有user-agent,返回简短的html代码，js重定向到登录页面
    #本次请求头只用伪造user-agent即可，但前端时间测试需要cookie字段
    'user-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36    (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36',
    'Referer': 'https://www.bilibili.com/'  #很重要
}

params = {
    'rid' : 33,
    'type' : 0,
    'pn' : 1,
    'ps' : 20,
    'jsonp' : 'jsonp',
    # 'callback' : 'jsonCallback_bili_310141257890750756'
}

for i in range(1,11):

    params['pn'] = i

    resp = requests.get(base_url,headers=headers,params=params)

    status_code = resp.status_code
    view_json = resp.text

    view_obj = json.loads(view_json)
    print(view_obj)
    view_data = view_obj['data']
    view_archives = view_data['archives']

    for view in view_archives:
        title = view['title']
        print(title)

实验结果：
在这里插入图片描述

版权声明：本文为weixin_45797932原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。