爬取JD商品评论并数据可视化

本文参考了知乎文章 https://zhuanlan.zhihu.com/p/60444767

思路

阅读文章后发现原来还可以通过抓取json的方式爬评论，不需要再去一个个数据去找页面标签等等复杂的操作，直接请求然后解析返回的json数据（超级整齐）。

requirements

requests
pyecharts
pandas
jieba
wordcloud
matplotlib

爬取评论

先贴代码

# -*- coding:utf-8 -*-

import requests

url = 'https://sclub.jd.com/comment/productPageComments.action?productId=100004325476&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1'

# 请求头
headers = {
    'Connection': 'Keep-Alive',
    'Accept': 'text/html, application/xhtml+xml, */*',
    'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                  'Chrome/74.0.3729.169 Safari/537.36',
    'Referer': 'https://item.jd.com/100004325476.html',
    'Host': 'sclub.jd.com'
}


def get_comment(url):
    # 请求
    req = requests.get(url, headers=headers)

    # 数据处理
    res = req.json()  # 转换成python对象
    comments = res['comments']

    total = []
    for comment in comments:
        data = {
            'id': comment['id'],
            'content': comment['content'],
            'score': comment['score'],
            'userLevelName': comment['userLevelName'],
            'userClientShow': comment['userClientShow'],
            'mobileVersion': comment['mobileVersion']
        }
        total.append(data)
    return total


if __name__ == '__main__':
    res = get_comment(url)
    print(res)

这里需要特别注意的是请求头的处理。如果用一般的请求头，如'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36' 会发现返回一些奇怪的数据。打开开发者工具，具体看里面的请求头（不详细讲，可以百度），然后copy到代码里。

爬取并存储

还是先贴代码

# -*- coding:utf-8 -*-

import get_page_comment as cm
import store_comment as st
import time
import random

# 构造url
urls = []
for score in range(1, 4, 1):
    for page in range(0, 10, 1):
        ori = "https://sclub.jd.com/comment/productPageComments.action?productId=100004325476&score=%(score)d&sortType=5&page=%(page)d&pageSize=10&isShadowSku=0&fold=1" % {
            'score': score, 'page': page}
        urls.append(ori)
# print(urls)

# 获取评论
res = []
for url in urls:
    s = cm.get_comment(url)
    res += s
    print(s)
    time.sleep(random.uniform(1, 3))

# print(res)

# 存储
st.store_data(res)

这里url的构造需要用到两个变量，灵机一动想到用格式化字符串的方式来构造，代码更加pythonic了！
还有需要注意的就是要加入随机的sleep防止被反爬。
复习一下如果使用selenium是不需要做反爬的超级方便的呢！

jieba分词和词云

然后就是用jieba分词做词云了
贴下代码

# -*- coding:utf-8 -*-

import pandas as pd
import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt

# 从xls读入数据
data = pd.read_excel('JD.xls')
comments = data['content']

text = ''
for comment in comments:
    text += ' '.join(jieba.cut(comment))

wordcloud = WordCloud(
    font_path="C:/Windows/Fonts/msyh.ttc",
    background_color="white",
    width=1000,
    height=880,
    stopwords={'耳机', '京东', '非常'}
).generate(text)
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis("off")
plt.show()

具体的用法在我的另一篇博客里有详细讲 https://blog.csdn.net/weixin_43409309/article/details/88649728

得到的词云：

pyecharts得到图表

同样先贴一下代码

# -*- coding:utf-8 -*-

import pandas as pd
from pyecharts.charts import Bar

# 从xls读入数据
data = pd.read_excel('JD.xls')

userLevelName = data['userLevelName']
count = userLevelName.value_counts() # 对各项计数
num = count.tolist() # 转换成python对象

bar = (Bar()
       .add_xaxis(['PLUS会员', '金牌会员', '银牌会员', '钻石会员', '铜牌会员', '注册会员'])
       .add_yaxis('数量',yaxis_data=num))
bar.render('a.html')

过程很简单，用pandas读入数据，然后用pandas对某一字段进行统计，转换成list，然后用柱状图表示。

得到的结果：

总结

整个过程总的来说不是太难（因为有之前知识的铺垫），主要是直接抓取返回的json这一个比较有意思。json的数据十分整齐，既容易获得又容易处理，尤其对于这种动态的网站，不失为一个好思路。