Python爬虫-爬取京东商品信息-按给定关键词

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.  https://search.jd.com/Search?keyword=耳机&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=er%27ji&page=1&s=56&click=0,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 https://search.jd.com/Search?keyword=耳机&enc=utf-8&page=1

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 https://sclub.jd.com/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:

  1 import requests
  2 from lxml import etree
  3 import pymongo
  4 from concurrent import futures
  5 
  6 
  7 class CrawlDog:
  8     def __init__(self, keyword):
  9         """
 10         初始化
 11         :param keyword: 搜索的关键词
 12         """
 13         self.keyword = keyword
 14         self.mongo_client = pymongo.MongoClient(host='localhost')
 15         self.mongo_collection = self.mongo_client['spiders']['jd']
 16         self.mongo_collection.create_index([('item_id', pymongo.ASCENDING)])
 17 
 18     def 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 = 'https://search.jd.com/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 = requests.get(url=url, headers=index_headers).content.decode()
 35         rsp = etree.HTML(rsp)
 36         items = rsp.xpath('//li[contains(@class, "gl-item")]')
 37         for item in items:
 38             try:
 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]
 44                 info['item_id'] = info.get('url').split('/')[-1][:-5]
 45                 info['price'] = item.xpath('.//div[@class="p-price"]//i/text()')[0]
 46                 info['comments'] = []
 47                 self.mongo_collection.insert_one(info)
 48                 yield 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
 50             except IndexError:
 51                 print('item信息不全, drop!')
 52                 continue
 53 
 54     def 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 = 'https://sclub.jd.com/comment/productPageComments.action?productId=%s&score=0&sortType=5&page=%d&' \
 61               'pageSize=10' % (params['item_id'], params['page'])
 62         comment_headers = {
 63             'Referer': 'https://item.jd.com/%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 = requests.get(url=url, headers=comment_headers).json()
 68         comments_count = rsp.get('productCommentSummary').get('commentCountStr')
 69         comments = rsp.get('comments')
 70         comments = [comment.get('content') for comment in comments]
 71         self.mongo_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 
 79     def 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.map(self.get_index, il)
 91         for 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.map(self.get_comment, cl)
 96 
 97 
 98 if __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*,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。

上一篇:使用Rhino的Javascript解析器,如何获取注释?


下一篇:Wordpress 去掉评论框下方的 You may use these HTML tags and attributes