推荐使用Anaconda,其使用十分方便、快捷。
# -*- coding: utf-8 -*-
"""
Created on Tue Aug 27 21:24:56 2019
@author: 梧桐*漂湘
"""
#导入相关库
import requests
#import time //读者可以应用此库合理限制爬取频率
import json
import pandas as pd
import xlwt
#做出词云所需库
import jieba
import matplotlib.pyplot as plt
from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator
#获取网页的html源码
def get_html(url):
header={ #以下内容请依据你的实际情况填写
'accept':'*/*',
'accept-language':'zh-CN,zh;q=0.9',
'connection':'keep-alive',
'referer': #此处填写你要爬取页面的referer连接,注意header中除最后一行外,要用","英文逗号结尾#,
'cookie': #此处填写你要爬取页面请求的cookie,注意header中除最后一行外,要用","英文逗号结尾#,
'user-agent': #此处填写你要爬取页面的user-agent,注意header中最后一行,不要用任何符号结尾#
}
response=requests.get(url,headers=header)
response.encoding=response.apparent_encoding
html=response.text
return html
def getJson(url):
data=get_html(url).strip().strip('()')
d=json.loads(data)
b=d['rateList'] #得到rateList后面的[]即列表类型,[]里有多个{}信息,每个{}代表一个用户的评论信息
print(type(b[0])) #列表[]里的每一个元素又是一个字典类型的数据
#下面遍历列表元素,取出每一个列表元素中字典里的特定信息
print(type(b))
elem_list=[]
for elem in b:
user=elem['displayUserNick'] #用户名
date=elem['rateDate'] #日期
xh=elem['cmsSource'] #平台
kinds=elem['auctionSku'] #商品类型
comt=elem['rateContent'] #评论内容
elem_list.append(user)
elem_list.append(date)
elem_list.append(xh)
elem_list.append(kinds)
elem_list.append(comt)
return elem_list
print(b['rateDate'])
def writeAll(num):
first="https://rate.tmall.com/list_detail_rate.htm?itemId=XXXX&spuId=XXXX&sellerId=XXXX&order=XXXX¤tPage=" #XXXX处请根据实际情况填写
path="你所要存储爬取数据的excel文件,注意为.xls后缀""
column=0 #列
count=0
file=xlwt.Workbook()
sheet1=file.add_sheet('1')
elem_list=[]
elem_list.append("用户")
elem_list.append("日期")
elem_list.append("平台")
elem_list.append("类型")
elem_list.append("评论")
for index in range(len(elem_list)):
sheet1.write(0,index,elem_list[index])
#大家都知道xlwt库每次写入excel会覆盖之前的内容,对此通过以下方法避免
#也可以使用其他更为方便的方法
row=1
for n in range(1,num+1): #实现爬取评论时翻页
try:
url=first+str(n)+"&append=0&content=1"
print(url)
infor=getJson(url)
t=len(infor)
if(t==0):
return
for j in range(t):
sheet1.write(row,column,infor[j])
count=count+1 #计数器
column=column+1 # 写入excel时自动换列
if(count%5==0): #由elem_list内的列数决定
row=row+1 # # 写完excel同行的每列时自动换行
column=0
file.save(path)
except:
print("has error")
continue
print("第”+str(n)+"页获取成功!")
url="https://rate.tmall.com/list_detail_rate.htm?itemId=XXXX&spuId=XXXX&sellerId=XXXX&order=XXXX¤tPage=1&append=XXXX&content=XXXX"
#XXXX处请根据实际情况填写,¤tPage=1表示从第一页开始爬取
html=get_html(url)
print(html)
writeAll(6) #爬取的评论页数,请自定,<=100即可
#抽取评论,方便去重操作
inputfile0="你所存储爬取数据的excel文件,为.xls后缀"
outputfile0="你所存储所提取的评论的.txt文件,为.txt后缀"
data0=pd.read_excel(inputfile0)
data0=data0[[u'评论']][data0[u'平台']==u'天猫'] #只处理评论列
data0.to_csv(outputfile0,index=False,header=False)
#简单地去重,便于做出词云时提高准确性
inputfile1="你所存储所提取的评论的.txt文件,为.txt后缀"
outputfile1="你所存储去重后数据的评论的文件,为.txt后缀"
data1=pd.read_csv(inputfile1,encoding='utf-8',header=None)
l1=len(data1)
data1=pd.DataFrame(data1[0].unique())
l2=len(data1)
data1.to_csv(outputfile1,index=False,header=False,encoding='utf-8')
print(u'总计删除了%s条评论。'%(l1-l2))
#做出评论词云
with open("你所存储去重后数据的评论的文件,为.txt后缀",'r',encoding="utf-8") as f:
text=f.read()
# print(text)
text = ' '.join(jieba.cut(text,cut_all=True))
# print(text)
backgroud_Image = plt.imread('底图图片存储地址')
wordcloud = WordCloud( #注意逗号封尾
background_color = 'black', # 设置词云背景颜色
mask = backgroud_Image,
max_words = 2000, # 设置词云最大现实的字数
stopwords = STOPWORDS, # 设置词云停用词
font_path='C:\Windows\Fonts\simsun.ttc',
max_font_size=70, # 设置词云字体最大值
min_font_size=5, # 设置词云字体最小值
random_state=42,
scale=2,
).generate(text)
image_colors = ImageColorGenerator(backgroud_Image)
plt.imshow(wordcloud.recolor(color_func=image_colors))
plt.imshow(wordcloud)
plt.axis("off")
fig=plt.gcf()
fig.set_size_inches(20,20) #设置产生词云图片的大小
plt.show()
由于淘宝可能随时更新相关网页参数,可能有细节需各位做出调整。希望这篇博客能帮到各位,不喜勿喷,谢谢!