Python 不用selenium 带你高效爬取京东商品评论

一、项目说明

1.项目背景

一天，一朋友扔给我一个链接https://item.jd.com/100000499657.html，让我看看这个歌商品的所有评论怎么抓取，我打开一看，好家伙，竟然有近300万条评论，不是一个小数目啊。

但是仔细一看，原来有234万+的评论是默认好评，还是有少部分是有价值的评价的。
经过进一步观察，可以看到

显然，网页中显示的只有100页数据，每页显示10条，通常可以用selenium点击每一页然后获取，但是这样效率是不是太低了呢？还是直接用requests来得更直接，很多情况下网页显示的数据是请求得到的JSON数据在网页上渲染而显示出来的，京东的评论会不会也是这样呢？好，说干就干！！！

2.项目环境

这个小项目使用Python爬取，不需要太多的配置，只需要安装requests库就足够 ，我相信对于很多玩爬虫的小伙伴来说这个库肯定是必备的，没装requests不要告诉我你会爬虫 。

二、项目实施

1.项目分析

上面说到，网页中的数据很多都是通过渲染请求的JSON数据得到的，那么我们就来看看京东是不是也是这样的。
利用浏览器的审计工具，选择Network栏，可以看到

仔细查看，寻找链接中于评论（comment）有关的链接，可以找到其中的一个请求链接https://club.jd.com/comment/productCommentSummaries.action?referenceIds=100000499657&callback=jQuery1951081&_=1586669401777，如上图。这是关于该商品评论的整体情况的，可以看到具体的总评论数、默认好评数、好评数、好评率等，虽然不是我们想要的，但是也近了一步，继续寻找，又找到了一条带comment字眼的链接https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId=100000499657&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1，如图

后边有10条评论，应该就是该商品对应的第一页评论了，点开查看，如下：

对比网页中显示的评论可以看到，这就就是我们要找的东西。
由于得到的数据不是标准格式的JSON，所以我选择使用正则表达式来获取相关的内容。
现在还有一个问题，我们只获得了1页评论，那怎么获取所有的评论呢？会不会秘密隐藏在链接中呢？
对于链接https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId=100000499657&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1，显然有很多参数，不难找到，有参数productId和page，如果猜得不错，应该是商品id和评论页数（从0开始），这时，换一个商品id，那么商品id怎么获得呢？举个例子，在链接https://item.jd.com/100000499657.html中，商品id就是100000499657。另找一个商品，将其商品id替换掉评论链接中的productId，获得的正是该商品的第一页评论。现在尝试翻页，逐渐增大page参数的值，如1、2、3…，也能获取到对应页的评论数据。
现在分析工作已经做的差不多了，可以开始码代码了。

2.代码实现

导入模块和定义常量

import re
import time
import csv
import os
import requests
import html

# 设置请求头
headers = {
    'cookie': 'shshshfp=22dd633052035d21be92463ffa35684d; shshshfpa=ab283f84-c40f-9710-db89-84a8d3366a81-1586333030; __jda=122270672.1586333031101106032014.1586333031.1586333031.1586333031.1; __jdv=122270672|direct|-|none|-|1586333031103; __jdc=122270672; shshshfpb=bUe7tI9%2FOOaJKd7vP0EtSOg%3D%3D; __jdu=1586333031101106032014; areaId=22; ipLoc-djd=22-1977-1980-0; 3AB9D23F7A4B3C9B=7XEQD4BFTGEH44EK7LN7HLFCHJW6W2NS5VJOQOCHABZVI7LXJJIW3K2IX5MTPZ4TBERBLY6TRQR5CA3S3IYVLQ2JGI; jwotest_product=99; shshshsID=a7457cee6a4a9fa285fe2cff44c6bd17_4_1586333142454; __jdb=122270672.4.1586333031101106032014|1.1586333031; JSESSIONID=8C21549A613B83F0CB86EF1F38FD63D3.s1',
    'sec-fetch-dest': 'document',
    'sec-fetch-mode': 'navigate',
    'sec-fetch-site': 'none',
    'sec-fetch-user': '?1',
    'upgrade-insecure-requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.162 Safari/537.36'
}

导入需要使用到的模块，并且定义请求头用于请求，减少被反爬的概率。

爬取评论主体函数

def comment_crawl(page, writer):
    '''爬取评论'''
    print('当前正在下载第%d页评论' % (page + 1))
    url = 'https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId=100000499657&score=0&sortType=5&page=%d&pageSize=10&isShadowSku=0&fold=1' % page
    # 请求链接获取数据
    text = requests.get(url, headers=headers).text
    # 正则表达式匹配数据
    comment_list = re.findall(
        r'guid":".*?"content":"(.*?)".*?"creationTime":"(.*?)",".*?"replyCount":(\d+),"score":(\d+).*?usefulVoteCount":(\d+).*?imageCount":(\d+).*?images":',
        text)
    for result in comment_list:
        # 根据正则表达式结果匹配数据
        content = html.unescape(result[0]).replace('\n', ' ')
        comment_time = result[1]
        reply_count = result[2]
        score = result[3]
        vote_count = result[4]
        image_count = result[5]
        # 写入数据
        writer.writerow((comment_time, score, reply_count, vote_count, image_count, content))

这是爬取评论的主体部分，在请求获取到数据后，通过正则表达式匹配到所需内容。
这里有一个注意点，html.unescape(result[0])是为了将评论内容的HTML转义字符如…等转化成普通字符串，这样数据更完整清晰。

主函数

if __name__ == '__main__':
    '''主函数'''
    start = time.time()
    if os.path.exists('DATA.csv'):
        os.remove('DATA.csv')
    with open('DATA.csv', 'a+', newline='', encoding='gb18030') as f:
        writer = csv.writer(f)
        writer.writerow(('留言时间', '评分', '回复数', '点赞数', '图片数', '评论内容'))
        for page in range(100):
            comment_crawl(page, writer)
    run_time = time.time() - start
    print('运行时间为%d分钟%d秒。' % (run_time // 60, run_time % 60))

主函数创建文件用于保存数据，并对程序计时，以观察执行效率。

三、项目分析和说明

1.运行测试

整个小项目很简单，重点在分析过程和思路，只要分析好了，代码实现就很容易。
一次测试的示意如下：

效率还是很不错的，23秒内获取了近千条评论。
数据部分截图如下：

如果需要获取其他商品评论在代码中直接更改函数中url的productId即可。
完整代码可点击https://download.csdn.net/download/CUFEECR/12323279下载。

2.改进分析

• 采用的是单线程，在数据较少时尚可，一旦需要爬取的评论较多时，可能会有效率上的瓶颈，因此可以用多线程或多进程，主函数中改进如下：

pool = ThreadPoolExecutor(3)
...
for page in range(100):
	pool.submit(comment_crawl, page, data_list)

代码可点击https://download.csdn.net/download/CUFEECR/12323373下载学习。
演示如下：

运行时间缩短了三分之一左右，显然大大提高了效率。

• 因为京东的反爬措施较少，因此对反爬的防范措施也较少，爬取较少尚可，如果需求较高时，肯定会触发反爬机制，从而导致爬取失败。
• 扩展性还有待提高，目前只是爬取了京东商品评论，但是对于别的电商平台如淘宝就很难搞了，这对代码提出了进一步要求。

3.其他说明

• 本项目仅限学习和计数交流之用，不得用于恶意爬虫、非法牟利等用途，违者责任自负。
• 如侵犯他人利益，请联系删改。