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。