Python爬虫实战（二）：抓取京东苹果手机评价

1. 网站分析

本文实现的爬虫是抓取京东商城指定苹果手机的评论信息。使用 requests 抓取手机评论 API 信息，然后通过 json 模块的相应 API 将返回的 JSON 格式的字符串转换为 JSON 对象，并提取其中感兴趣的信息。读者可以点击此处打开 京东商城，如下图所示：

URL 是 苹果手机商品 。商品页面如下图所示：

在页面的下方是导航条，读者可以单击导航条上的数字按钮，切换到不同的页面，会发现浏览器地址栏的 URL 并没改变，这种情况一般都是通过另外的通道获取的数据，然后将数据动态显示在页面上。那么如何来寻找这个通道的 URL 呢?

在 Chrome 浏览器的开发者工具的 Network 选项中单击 XHR 按钮，再切换到其他页，并没有发现要找的 API URL，可能京东商城获取数据的方式有些特殊，不是通过 XMLHttpRequest 发送的请求。

所以重新选中 All 按钮，显示所有的 URL。现在用另外一种方式寻找这个 URL，就是 Filter。通过左上角的 Filter 输入框，可以通过关键字搜索 URL，由于本文是抓取评论数据，所以可以尝试输入 comments，在左下角的列表中会出现如下图所示的内容。

在搜索结果中会看到 1个名为 productPageComments.action 的 URL ，单机这个 URL，在右侧切换到 Preview 选项卡，会看到如上图所示的内容，很明显，这是 JSON 格式的数据，展开 comments ，会看到有 10 项 ，这是返回的 10 条评论。在展开某一条评论，如下图所示：

从属性的内容可以看出，content 属性是评论内容，creationTime 是评论时间，days 是购买多长时间后才来评论的。通过 Headers 选项卡可以得到如下完整的 URL 。

https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId=100005492549&score=0&sortType=5&page=0&pageSize=10&isShadowSku=100008348530&fold=1

从这个 URL 可以看出，page 参数表示页数，从 0 开始，pageSize 参数表示每页获取的评论数，默认是 10，这个参数可以保留默认值，只改变 page 参数即可。

2. 示例代码

根据前面的描述实现抓取苹果手机评论信息的爬虫，通过 fetch_comment_count 变量可以控制抓取的评论条数。最后将抓取的结果显示在控制台中。示例代码如下：

# -*- coding: UTF-8 -*-
"""
@author:AmoXiang
@file:4.抓取京东苹果手机评论.py
@time:2020/09/15
"""
import requests
import json

headers = {
     
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36'
}

fetch_comment_count = 1000  # 限定抓取的评论数
index = 0  # 用于记录爬取到第几条评论
page_index = 0  # 页码
flag = True  # 用于控制循环是否退出

while flag:
    url = 'https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId=100005492549&score=0&sortType=6&page={}&pageSize=10&isShadowSku=100008348530&rid=0&fold=1'.format(
        page_index)
    page_index += 1
    res = requests.get(url=url, headers=headers)
    text = res.text
    # 下面的代码替换返回数据的部分内容，因为返回的数据并不是标准的 JSON 格式
    json_str = text.replace('fetchJSON_comment98(', '')[:-2]
    json_obj = json.loads(json_str)  # 将字符串转换为字典对象
    comments_list = json_obj['comments']
    comments_list_length = len(comments_list)
    # 循环输出评论数据
    for i in range(comments_list_length):
        comments = comments_list[i]['content']
        print(f'< {index + 1} > {comments}')
        creation_time = comments_list[i]['creationTime']  # 获取评论时间
        nickname = comments_list[i]['nickname']  # 获取昵称
        print(creation_time)
        print(nickname)
        print("-" * 20)
        index += 1
        if index == fetch_comment_count:
            flag = False
            break

程序运行结果如下图所示：

3. 注意事项

1. 京东商城如果频繁使用同一个 IP 发起大量请求，服务端会临时性封锁 IP，可以使用一些免费的代理。
2. API URL 返回的数据并不是标准的 JSON，里面还有一些杂质，需要在本地将其删除。 本例有一个前缀是 fetchJSON_comment98 ，这个前缀是通过 URL 的 callback 参数指定的，根据参数名应该是个回调函数，具体是什么不需要管，总之，需要按照 callback 参数的值将返回数据的前缀去掉。