python爬虫实战(六) 天猫(淘宝)评论爬取与分析实战

一、天猫(淘宝)爬取地址对比

        天猫评论抓包json数据如下，在list_detail_rate中，一页二十个用户信息：

        淘宝评论抓包的json数据如下，同样是一页二十个，不过是在feedRateList中

两者的爬取过程基本相同，在此以天猫为例，爬取的内容是口罩的评论。

二、防爬技巧

1.请求头一定设置完全！！

先前，因为请求头设置的参数不完全，导致爬到数据要么为空，要么就被返回一个不知名的URL。故一定要把请求头该有的参数都添加上
基本参数设置如下：

headers = {
        'cookie':'你的cookie',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.87 Safari/537.36',
        'referer': 'https://detail.tmall.com/item.htm?spm=a220m.1000858.1000725.6.77f65d5c5Awoik&id=613110434906&skuId=4352166796016&areaId=500100&user_id=2206943654630&cat_id=2&is_b=1&rn=74e1dcbd42307c1199e6fb4d70c6ae1b',
        'accept-encoding': 'gzip, deflate, br',
        'accept-language': 'zh-CN,zh;q=0.9'
         }

其中，cookie，user-agent，referer是必须要添加的，accept-encoding和accept-language可视情况添加。

2.尽量设置随机用户代理或cookie
用户代理(User-agent)一般好找，这里提供一些：

"Opera/9.80 (X11; Linux i686; Ubuntu/14.10) Presto/2.12.388 Version/12.16",
"Mozilla/5.0 (Linux; U; Android 2.2; en-gb; GT-P1000 Build/FROYO) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
"Opera/9.80 (Windows NT 6.0) Presto/2.12.388 Version/12.14",
"Mozilla/5.0 (Windows NT 6.0; rv:2.0) Gecko/20100101 Firefox/4.0 Opera 12.14",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.0) Opera 12.14",
"Opera/12.80 (Windows NT 5.1; U; en) Presto/2.10.289 Version/12.02",
"Opera/9.80 (Windows NT 6.1; U; es-ES) Presto/2.9.181 Version/12.00",

cookie因涉及到个人隐私问题，有条件地可以多找一些。

3.尽量减少调试代码的次数
这些大型的商务网站，经不起你一次次地去调试代码。一旦你的IP超过它设置的访问次数，它就会立马禁用的。所以，在执行代码前，务必要检查语法错误和可能出现的编码错误。

此外，根据上面分析的结果，评论数据都是封装在json数据下，但是直接去用json模块解析会报jsonDecodeError。原因在于：在json字符串外面有个json419，需要去除后再解析。
或者，可直接用正则去提取所需部分信息。

这里使用地是正则提取：

爬取代码：

import re
import requests
import random
import time
import os
import pandas as pd
os.chdir('C:/Users/dell/Desktop')
df=[]
head=[
    "Mozilla/5.0 (Windows NT 6.0; rv:2.0) Gecko/20100101 Firefox/4.0 Opera 12.14",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.0) Opera 12.14",
    "Opera/12.80 (Windows NT 5.1; U; en) Presto/2.10.289 Version/12.02",
    "Opera/9.80 (Windows NT 6.1; U; es-ES) Presto/2.9.181 Version/12.00",
    "Opera/9.80 (Windows NT 5.1; U; zh-sg) Presto/2.9.181 Version/12.00",
]
headers = {
        'cookie':'你的cookie',
        'user-agent': random.choice(head),
        'referer': 'https://detail.tmall.com/item.htm?spm=a220m.1000858.1000725.6.77f65d5c5Awoik&id=613110434906&skuId=4352166796016&areaId=500100&user_id=2206943654630&cat_id=2&is_b=1&rn=74e1dcbd42307c1199e6fb4d70c6ae1b',
        'accept-encoding': 'gzip, deflate, br',
        'accept-language': 'zh-CN,zh;q=0.9'
         }
url_left='https://rate.tmall.com/list_detail_rate.htm?itemId=613110434906&spuId=1537276390&sellerId=2206943654630&order=3¤tPage='
url_right='append=0&content=1&tagId=&posi=&picture=&groupId=&ua=098%23E1hvAvvUvbpvUvCkvvvvvjiPn2cp1jEbnLqvzjivPmP91j3vn2cy1jE2PFchljimiQhvCvvvpZpPvpvhvv2MMQhCvvOv9hCvvvvEvpCWvWLp6C0yHd8rjC6sQa7tnCpO4Z7xfXeK5dUfUz7Q%2Bu6wd56bS4ZAhC97EcqhaXTAdXyaWXxrV8TJh7ERD70fdigOfvc6gEKX5CO07fyCvm9vvhCvvvvvvvvvpigvvvHivvCVB9vv9LvvvhXVvvmCjvvvByOvvUhwkphvC9hvpyPwg8yCvv9vvhhsphWAC2yCvvpvvhCv&needFold=0&_ksTS=1589419995635_415&callback=jsonp416'

def get_html(url,header):
    r=requests.get(url,headers=header)
    if r.status_code==200:
        return r.text
    else:
        print('网络连接异常')

def get_item(num):
    user_name=[]
    item_type=[]
    rate_content=[]
    rate_date=[]
    for page in range(1,num):
        url=url_left+str(page)+url_right
        try:
            text=get_html(url,headers)
            user_name.extend(re.findall('"displayUserNick":"(.*?)"',text))
            item_type.extend(re.findall('"auctionSku":"(.*?)"',text))
            rate_content.extend(re.findall('"rateContent":"(.*?)"',text))
            rate_date.extend(re.findall('"rateDate":"(.*?)"',text))
            print("第{}页爬取完毕".format(page))
            time.sleep(2+random.randint(1,3))
        except:
            print("未爬取数据")

    for i in range(len(user_name)):
        df.append([user_name[i],rate_date[i],item_type[i],rate_content[i]])
    print('共{}条商品信息写入完毕'.format(len(user_name)))
    df1=pd.DataFrame(df,columns=['user_name','rate_date','item_type','rate_content'])
    df1.to_csv('taobao_item.csv',index=False,encoding='gb18030')
    
if __name__=='__main__':
    num=51
    get_item(num)

爬取数据结果如下：

不难看出，我爬取的是50页，理论上应该返回1000条数据。实际上只有640条数据，也就是在33页之后应该就被识别出来，然后返回空数据。所以，如果想要爬取尽可能多的数据，可以多找一些可用的IP和cookie。

三、数据分析

1.查找爬取评论的时间分布

A.按天数对原数据集进行重采样

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['kaiti']
plt.style.use('ggplot')
%config InlineBackend.figure_format='svg' #转为矢量图更清晰
data=pd.read_csv('taobao_item.csv',encoding='gb18030',
                 parse_dates=['rate_date'],
                 infer_datetime_format=True,
                 index_col='rate_date')
data['count']=1
df=data['count'].resample('D').sum().to_frame()
df.index=df.index.map(lambda x : str(x.month)+'月'+str(x.day)+'日')
plt.figure(figsize=(10,5))
plt.plot(df.index,df['count'],alpha=0.7,marker='o',label='评论次数')
plt.title('爬取评论的时间分布情况')
plt.xlabel('时间')
plt.ylabel('评论次数')
plt.legend(loc='best')
plt.xticks(df.index,rotation=90)
plt.show()

爬取的评论大多都是5月7日和5月11日的数据

B.按小时对原数据进行重采样

df=data['count'].resample('H').sum().to_frame()
df.index=df.index.map(lambda x:str(x).split(' ')[1])
df_new=df.reset_index().groupby('rate_date').agg({'count':np.sum})
plt.figure(figsize=(10,5))
plt.plot(df_new.index,df_new['count'],alpha=0.7,marker='o',label='评论次数')
plt.title('爬取评论的按小时分布情况')
plt.xlabel('时间')
plt.ylabel('评论次数')
plt.legend(loc='best')
plt.xticks(df_new.index,rotation=90)
plt.show()

从小时分布来看，用户在最喜欢在早上8:00-9:00，11:00-12:00以及晚上18:00-19:00期间购买口罩

2.购买口罩的种类分布

data['item_type']=data['item_type'].map(lambda x : re.search('.*(【.*?】)',x).group(1) 
if re.search('.*(【.*?】)',x) is not None else  '单只购买')

data=data.replace({'【5只】':'【白色5只】','【10只】':'【白色10只】','【20只】':'【白色20只】'})

mask_type=data['item_type'].value_counts().to_frame()
mask_type.index=mask_type.index.map(lambda x : x.strip('【】') if '【' in x else x)

plt.pie(mask_type['item_type'],
       labels=mask_type.index,
        startangle=90,
       shadow=False,
        colors=['#34314c','#47b8e0','#ffc952','#ff7473'],
        textprops={'fontsize': 12, 'color': 'w'},
        autopct='%1.1f%%',
        counterclock = False
       )
plt.title('用户购买各类口罩占比分布')
plt.axis('equal')
plt.tight_layout()
plt.legend(loc='upper right',frameon=False)
plt.show()

3.评论高频词分布

import csv   
import jieba
from itertools import islice  
csv_file=open('C:/Users/dell/Desktop/taobao_item.csv',encoding='gb18030')    
csv_reader_lines = csv.reader(csv_file) 
stopwords=[line.strip() for line in open('C:/Users/dell/Desktop/stopwords.txt','r',encoding='utf-8').readlines()]
comment={}
for line in islice(csv_reader_lines,1,None):
    poss=jieba.cut(line[3])
    for word in poss:
        if word in stopwords or len(word)<2:
            continue
        if comment.get(word) is None:
            comment[word]=0
        else:
            comment[word]+=1
comment=dict(sorted(comment.items(),key=lambda x:x[1],reverse=True))
count=1
comment_count=[]
for key,value in comment.items():
    comment_count.append([key,value])
    count+=1
    if count==11:
        break
comment_count=pd.DataFrame(comment_count,columns=['words','counts'])


plt.figure(figsize=(10,6))
plt.bar(comment_count['words'],comment_count['counts'],alpha=0.7,label='次数')
for name,count in zip(comment_count.index,comment_count['counts']):
    plt.text(name,count+5,count,ha='center',va='bottom')
plt.title('评论高频词分布情况')
plt.xlabel('高频词')
plt.ylabel('次数')
plt.legend(loc='upper right')
plt.show()

口罩、质量、包装等词汇出现频率较高

以上就是本次分享的全部内容~