Python爬⾍-按给定关键词-爬取京东商品信息
⽬的：按给定关键词爬取京东商品信息，并保存⾄mongodb。
字段：title、url、store、store_url、item_id、price、comments_count、comments
⼯具：requests、lxml、pymongo、concurrent
分析：
1. ，这是京东搜索⽿机的跳转url，其中关键参数为：
keyword：关键词
enc：字符串编码
page：页码，需要注意的是，这⾥的数值均为奇数
所以简化后的 url 为
2. 分析各字段的 xpath，发现在搜索页⾯只能匹配到 title、url、store、store_url、item_id、price。⾄于 comments_count、comments 需要单独发出请求。
3. 打开某⼀商品详情页，点击商品评价，打开开发者⼯具。点击评论区的下⼀页，发现在新的请求中，除去响应为媒体格式外，仅多出⼀个 js 响应，故猜测评论内容包含其中。
4. 分析上述请求的 url，简化后为 sclub.jd/comment/productPageComments.action?
productId=100004325476&score=0&sortType=5&page=0&pageSize=10，其中：
productId：商品的Id，可简单的从详情页的 url 中获取
page：评论页码
5. 由以上可以得出，我们需要先从搜索页⾯中获取的商品 id，通过 id 信息再去获取评论信息。爬取评论时需要注意，服务器会判断请求头中的 Referer，即只有通过商品详情页访问才能得到评论，所以我们每次都根据 item_id 构造请求头。
6. 先将基础信息插⼊⾄数据库，在得到评论信息后，根据索引 item_id 将其补充完整。
代码:
1import requests
2from lxml import etree
3import pymongo
4from concurrent import futures
5
6
7class CrawlDog:
8def__init__(self, keyword):
9"""
10初始化
11 :param keyword: 搜索的关键词
12"""
13 self.keyword = keyword
14 _client = pymongo.MongoClient(host='localhost')
15 _collection = _client['spiders']['jd']
16 _ate_index([('item_id', pymongo.ASCENDING)])
17
18def get_index(self, page):
19"""
20从搜索页获取相应信息并存⼊数据库
21 :param page: 搜索页的页码
22 :return: 商品的id
23"""
24 url = 'search.jd/Search?keyword=%s&enc=utf-8&page=%d' % (self.keyword, page)
25 index_headers = {
26'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,'
27'application/signed-exchange;v=b3',
28'accept-encoding': 'gzip, deflate, br',
29'Accept-Charset': 'utf-8',
30'accept-language': 'zh,en-US;q=0.9,en;q=0.8,zh-TW;q=0.7,zh-CN;q=0.6',
31'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
32'Chrome/74.0.3729.169 Safari/537.36'
33 }
34 rsp = (url=url, headers=index_headers).content.decode()
35 rsp = etree.HTML(rsp)
36 items = rsp.xpath('//li[contains(@class, "gl-item")]')
37for item in items:
38try:
39 info = dict()
40 info['title'] = ''.join(item.xpath('.//div[@class="p-name p-name-type-2"]//em//text()'))
41 info['url'] = 'https:' + item.xpath('.//div[@class="p-name p-name-type-2"]/a/@href')[0]
42 info['store'] = item.xpath('.//div[@class="p-shop"]/span/a/text()')[0]
43 info['store_url'] = 'https' + item.xpath('.//div[@class="p-shop"]/span/a/@href')[0]
连接apple id服务器时出错44 info['item_id'] = ('url').split('/')[-1][:-5]
45 info['price'] = item.xpath('.//div[@class="p-price"]//i/text()')[0]
46 info['comments'] = []
47 _collection.insert_one(info)
48yield info['item_id']
49# 实际爬取过程中有⼀些⼴告, 其中的⼀些上述字段为空
50except IndexError:
51print('item信息不全, drop!')
52continue
53
54def get_comment(self, params):
55"""
56获取对应商品id的评论
57 :param params: 字典形式, 其中item_id为商品id, page为评论页码
58 :return:
59"""
60 url = 'sclub.jd/comment/productPageComments.action?productId=%s&score=0&sortType=5&page=%d&' \
61'pageSize=10' % (params['item_id'], params['page'])
62 comment_headers = {
63'Referer': 'item.jd/%s.html' % params['item_id'],
64'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
65'Chrome/74.0.3729.169 Safari/537.36'
66 }
67 rsp = (url=url, headers=comment_headers).json()
68 comments_count = ('productCommentSummary').get('commentCountStr')
69 comments = ('comments')
70 comments = [('content') for comment in comments]
71 _collection.update_one(
72# 定位⾄相应数据
73 {'item_id': params['item_id']},
74 {
75'$set': {'comments_count': comments_count}, # 添加comments_count字段
76'$addToSet': {'comments': {'$each': comments}} # 将comments中的每⼀项添加⾄comments字段中
77 }, True)
78
79def main(self, index_pn, comment_pn):
80"""
81实现爬取的函数
82 :param index_pn: 爬取搜索页的页码总数
83 :param comment_pn: 爬取评论页的页码总数
84 :return:
85"""
86# 爬取搜索页函数的参数列表
87 il = [i * 2 + 1 for i in range(index_pn)]
88# 创建⼀定数量的线程执⾏爬取
89 with futures.ThreadPoolExecutor(15) as executor:
90 res = executor._index, il)
91for item_ids in res:
92# 爬取评论页函数的参数列表
93 cl = [{'item_id': item_id, 'page': page} for item_id in item_ids for page in range(comment_pn)]
94 with futures.ThreadPoolExecutor(15) as executor:
95 executor._comment, cl)
96
97
98if__name__ == '__main__':
99# 测试, 只爬取两页搜索页与两页评论
100 test = CrawlDog('⽿机')
101 test.main(2, 2)
总结：爬取的过程中可能会被封 IP，测试时评论页⾯的获取被封锁，使⽤代理可以解决该问题，后⾯会来主要说⼀下代理的使⽤。
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论