基于Python获取亚马逊的评论信息的处理

---

上次亚马逊的商品信息都获取到了，自然要看一下评论的部分。用户的评论能直观的反映当前商品值不值得购买，亚马逊的评分信息也能获取到做一个评分的权重。

亚马逊的评论区由用户ID，评分及评论标题，地区时间，评论正文这几个部分组成，本次获取的内容就是这些。

测试链接：https://www.amazon.it/product-reviews/B08GHGTGQ2/ref=cm_cr_arp_d_paging_btm_14?ie=UTF8&pageNumber=14&reviewerType=all_reviews&pageSize=10&sortBy=recent

一、分析亚马逊的评论请求

首先打开开发者模式的Network，Clear清屏做一次请求：

你会发现在Doc中的get请求正好就有我们想要的评论信息。

可是真正的评论数据可不是全部都在这里的，页面往下翻，有个翻页的button：

点击翻页请求下一页，在Fetch/XHR选项卡中多了一个新的请求，刚才的Doc选项卡中并无新的get请求。这下发现了所有的评论信息是XHR类型的请求。

获取到post请求的链接和payload数据，里面含有控制翻页的参数，真正的评论请求已经找到了。

这一堆就是未处理的信息，这些请求未处理的信息里面，带有data-hook=\"review\"的就是带有评论的信息。分析完毕，下面开始一步一步去写请求。

二、获取亚马逊评论的内容

首先拼凑请求所需的post参数，请求链接，以便之后的自动翻页，然后带参数post请求链接：

headers = {
    'authority': 'www.amazon.it',
    "accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,\*/\*;q=0.8,application/signed-exchange;v=b3;q=0.9",
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.71 Safari/537.36",
}
 
page = 1
post\_data = {
    "sortBy": "recent",
    "reviewerType": "all\_reviews",
    "formatType": "",
    "mediaType": "",
    "filterByStar": "",
    "filterByLanguage": "",
    "filterByKeyword": "",
    "shouldAppend": "undefined",
    "deviceType": "desktop",
    "canShowIntHeader": "undefined",
    "pageSize": "10",
    "asin": "B08GHGTGQ2",
}
# 翻页关键payload参数赋值
post\_data\["pageNumber"\] = page,
post\_data\["reftag"\] = f"cm\_cr\_getr\_d\_paging\_btm\_next\_{page}",
post\_data\["scope"\] = f"reviewsAjax{page}",
# 翻页链接赋值
spiderurl=f'https://www.amazon.it/hz/reviewsrender/ajax/reviews/get/ref=cm\_cr\_getr\_d\_paging\_btm\_next\_{page}'
res = requests.post(spiderurl,headers=headers,data=post\_data)
if res and res.status\_code == 200:
    res = res.content.decode('utf-8')
    print(res)

现在已经获取到了这一堆未处理的信息，接下来开始对这些数据进行处理。

三、亚马逊评论信息的处理

上图的信息会发现，每一段的信息都由“&&&”进行分隔，而分隔之后的每一条信息都是由’“,”'分隔开的：

所以用python的split方法进行处理，把字符串分隔成list列表：

\# 返回值字符串处理
contents = res.split('&&&')
for content in contents:
    infos = content.split('","')

由’“,”'分隔的数据通过split处理生成新的list列表，评论内容是列表的最后一个元素，去掉里面的"\“,”\n"和多余的符号，就可以通过css/xpath选择其进行处理了：

for content in contents:
    infos = content.split('","')
    info = infos\[-1\].replace('"\]','').replace('\\\\n','').replace('\\\\','')
    # 评论内容判断
    if 'data-hook="review"' in info:
        sel = Selector(text=info)
        data = {}
        data\['username'\] = sel.xpath('//span\[@class="a-profile-name"\]/text()').extract\_first() #用户名
        data\['point'\] = sel.xpath('//span\[@class="a-icon-alt"\]/text()').extract\_first() #评分
        data\['date'\] = sel.xpath('//span\[@data-hook="review-date"\]/text()').extract\_first() #日期地址
        data\['review'\] = sel.xpath('//span\[@data-hook="review-title"\]/span/text()').extract\_first() #评价标题
        data\['detail'\] = sel.xpath('//span\[@data-hook="review-body"\]').extract\_first() #评价内容
        image = sel.xpath('div\[@class="review-image-tile-section"\]').extract\_first()
        data\['image'\] = image if image else "not image" #图片
        print(data)

四、代码整合

4.1 代理设置

稳定的IP代理是你数据获取最有力的工具。目前国内还是无法稳定的访问亚马逊，会出现连接失败的情况。我这里使用的ipidea代理请求的意大利地区的亚马逊，可以通过账密和api获取代理，速度还是非常稳定的。

地址：http://www.ipidea.net/?utm-source=csdn&utm-keyword=?wb

下面的代理获取的方法：

\# api获取ip
    def getApiIp(self):
        # 获取且仅获取一个ip------意大利
        api\_url = '获取代理地址'
        res = requests.get(api\_url, timeout=5)
        try:
            if res.status\_code == 200:
                api\_data = res.json()\['data'\]\[0\]
                proxies = {
                    'http': 'http://{}:{}'.format(api\_data\['ip'\], api\_data\['port'\]),
                    'https': 'http://{}:{}'.format(api\_data\['ip'\], api\_data\['port'\]),
                }
                print(proxies)
                return proxies
            else:
                print('获取失败')
        except:
            print('获取失败')

4.2 while循环翻页

while循环进行翻页，评论最大页数是99页，99页之后就break跳出while循环：

 def getPLPage(self):
        while True:
            # 翻页关键payload参数赋值
            self.post\_data\["pageNumber"\]= self.page,
            self.post\_data\["reftag"\] = f"cm\_cr\_getr\_d\_paging\_btm\_next\_{self.page}",
            self.post\_data\["scope"\] = f"reviewsAjax{self.page}",
            # 翻页链接赋值
            spiderurl = f'https://www.amazon.it/hz/reviews-render/ajax/reviews/get/ref=cm\_cr\_getr\_d\_paging\_btm\_next\_{self.page}'
            res = self.getRes(spiderurl,self.headers,'',self.post\_data,'POST',check)#自己封装的请求方法
            if res:
                res = res.content.decode('utf-8')
                # 返回值字符串处理
                contents = res.split('&&&')
                for content in contents:
                    infos = content.split('","')
                    info = infos\[-1\].replace('"\]','').replace('\\\\n','').replace('\\\\','')
                    # 评论内容判断
                    if 'data-hook="review"' in info:
                        sel = Selector(text=info)
                        data = {}
                        data\['username'\] = sel.xpath('//span\[@class="a-profile-name"\]/text()').extract\_first() #用户名
                        data\['point'\] = sel.xpath('//span\[@class="a-icon-alt"\]/text()').extract\_first() #评分
                        data\['date'\] = sel.xpath('//span\[@data-hook="review-date"\]/text()').extract\_first() #日期地址
                        data\['review'\] = sel.xpath('//span\[@data-hook="review-title"\]/span/text()').extract\_first() #评价标题
                        data\['detail'\] = sel.xpath('//span\[@data-hook="review-body"\]').extract\_first() #评价内容
                        image = sel.xpath('div\[@class="review-image-tile-section"\]').extract\_first()
                        data\['image'\] = image if image else "not image" #图片
                        print(data)
            if self.page <= 99:
                print('Next Page')
                self.page += 1
            else:
                break

最后的整合代码：

\# coding=utf-8
import requests
from scrapy import Selector
 
class getReview():
    page = 1
    headers = {
        'authority': 'www.amazon.it',
        "accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,\*/\*;q=0.8,application/signed-exchange;v=b3;q=0.9",
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.71 Safari/537.36",
    }
    post\_data = {
        "sortBy": "recent",
        "reviewerType": "all\_reviews",
        "formatType": "",
        "mediaType": "",
        "filterByStar": "",
        "filterByLanguage": "",
        "filterByKeyword": "",
        "shouldAppend": "undefined",
        "deviceType": "desktop",
        "canShowIntHeader": "undefined",
        "pageSize": "10",
        "asin": "B08GHGTGQ2",
    #post\_data中asin参数目前写死在
    #"https://www.amazon.it/product-reviews/B08GHGTGQ2?ie=UTF8&pageNumber=1&reviewerType=all\_reviews&pageSize=10&sortBy=recent"
    #这个链接里，不排除asin值变化的可能，如要获取get请求即可
    def getPLPage(self):
        while True:
            # 翻页关键payload参数赋值
            self.post\_data\["pageNumber"\]= self.page,
            self.post\_data\["reftag"\] = f"cm\_cr\_getr\_d\_paging\_btm\_next\_{self.page}",
            self.post\_data\["scope"\] = f"reviewsAjax{self.page}",
            # 翻页链接赋值
            spiderurl = f'https://www.amazon.it/hz/reviews-render/ajax/reviews/get/ref=cm\_cr\_getr\_d\_paging\_btm\_next\_{self.page}'
            res = self.getRes(spiderurl,self.headers,'',self.post\_data,'POST',check)#自己封装的请求方法
            if res:
                res = res.content.decode('utf-8')
                # 返回值字符串处理
                contents = res.split('&&&')
                for content in contents:
                    infos = content.split('","')
                    info = infos\[-1\].replace('"\]','').replace('\\\\n','').replace('\\\\','')
                    # 评论内容判断
                    if 'data-hook="review"' in info:
                        sel = Selector(text=info)
                        data = {}
                        data\['username'\] = sel.xpath('//span\[@class="a-profile-name"\]/text()').extract\_first() #用户名
                        data\['point'\] = sel.xpath('//span\[@class="a-icon-alt"\]/text()').extract\_first() #评分
                        data\['date'\] = sel.xpath('//span\[@data-hook="review-date"\]/text()').extract\_first() #日期地址
                        data\['review'\] = sel.xpath('//span\[@data-hook="review-title"\]/span/text()').extract\_first() #评价标题
                        data\['detail'\] = sel.xpath('//span\[@data-hook="review-body"\]').extract\_first() #评价内容
                        image = sel.xpath('div\[@class="review-image-tile-section"\]').extract\_first()
                        data\['image'\] = image if image else "not image" #图片
                        print(data)
            if self.page <= 99:
                print('Next Page')
                self.page += 1
            else:
                break
    # api获取ip
    def getApiIp(self):
        # 获取且仅获取一个ip------意大利
        api\_url = '获取代理地址'
        res = requests.get(api\_url, timeout=5)
        try:
            if res.status\_code == 200:
                api\_data = res.json()\['data'\]\[0\]
                proxies = {
                    'http': 'http://{}:{}'.format(api\_data\['ip'\], api\_data\['port'\]),
                    'https': 'http://{}:{}'.format(api\_data\['ip'\], api\_data\['port'\]),
                }
                print(proxies)
                return proxies
                print('获取失败')
        except:
            print('获取失败')
    #专门发送请求的方法,代理请求三次，三次失败返回错误
    def getRes(self,url,headers,proxies,post\_data,method):
        if proxies:
            for i in range(3):
                try:
                    # 传代理的post请求
                    if method == 'POST':
                        res = requests.post(url,headers=headers,data=post\_data,proxies=proxies)
                    # 传代理的get请求
                    else:
                        res = requests.get(url, headers=headers,proxies=proxies)
                    if res:
                        return res
                except:
                    print(f'第{i+1}次请求出错')
                else:
                    return None
        else:
                proxies = self.getApiIp()
                    # 请求代理的post请求
                        res = requests.post(url, headers=headers, data=post\_data, proxies=proxies)
                    # 请求代理的get请求
                        res = requests.get(url, headers=headers, proxies=proxies)
                    print(f"第{i+1}次请求出错")
if \_\_name\_\_ == '\_\_main\_\_':
    getReview().getPLPage()

总结

本次的亚马逊评论获取就是两个坑，一是评论信息通过的XHR请求方式，二是评论信息的处理。
分析之后这次的数据获取还是非常简单的，找到正确的请求方式，稳定的IP代理让你事半功倍，找到信息的共同点进行处理，问题就迎刃而解了。

---

关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

保存图片微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python基础学习视频

② 路线对应学习视频

还有很多适合0基础入门的学习视频，有了这些视频，轻轻松松上手Python~在这里插入图片描述

③练习题

每节视频课后，都有对应的练习题哦，可以检验学习成果哈哈！

因篇幅有限，仅展示部分资料

三、精品Python学习书籍

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python工具包+项目源码合集

①Python工具包

学习Python常用的开发软件都在这里了！每个都有详细的安装教程，保证你可以安装成功哦！

②Python实战案例

光学理论是没用的，要学会跟着一起敲代码，动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。100+实战案例源码等你来拿！

③Python小游戏源码

如果觉得上面的实战案例有点枯燥，可以试试自己用Python编写小游戏，让你的学习过程中增添一点趣味！

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

六、Python兼职渠道

而且学会Python以后，还可以在各大兼职平台接单赚钱，各种兼职渠道+兼职注意事项+如何和客户沟通，我都整理成文档了。


这份完整版的Python全套学习资料已经上传CSDN，朋友们如果需要可以保存图片微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】