Python 爬虫爬取京东商品评论数据，并存入CSV文件

红太狼 2022-05-23 07:45 1059阅读 0赞

利用闲暇时间写了一个抓取京东商品评论数据的爬虫。之前写了抓取拉勾网数据的爬虫，请 [参考1][1]，[参考2。][2]

我的开发环境是Windows + Anaconda3（Python 3.6），家用电脑没安装Linux（Linux下也是可以的）。

京东的评论数据是通过接口提供的，所以先找到这个接口。

用Firefox打开京东网站，随便找到一个商品页面，点击评论，然后点击页面右上角‘三横’标签，找到‘WEB开发者’，再打开'WEB控制台'，点击‘网络’标签，然后点击’下一页‘，找到’productPageComments.action‘这行，显示如下。

![70][]

然后在右边方框里找到‘消息头’，‘参数’，'响应'，这里能查到伪装浏览器、传递的参数及返回的数据信息，这些数据信息在程序里都能用到。

![70 1][]

红框里是回调函数，在程序里的变量设置里会用到，请注意一下。完整程序如下：

# -*- coding: utf-8 -*- 
    import pandas as pd
    import urllib.request as req
    import json
    import sys
    import time
    import random
    
    print(sys.getdefaultencoding())
    
    class JDCommentsCrawler:
        
        def __init__(self,productId=None,callback=None,page=1,score=0,sortType=5,pageSize=10):
            self.productId = productId #商品ID
            self.score = score # 评论类型（好：3、中：2、差：1、所有：0）
            self.sortType = sortType # 排序类型（推荐：5、时间：6）
            self.pageSize = pageSize # 每页显示多少条记录（默认10）
            self.callback = callback # 回调函数，每个商品都不一样
            self.page = page
            self.locationLink = 'https://sclub.jd.com/comment/productPageComments.action'
            self.paramValue = {
                'callback':self.callback,
                'productId':self.productId,
                'score':self.score,
                'sortType':self.sortType,
                'pageSize':self.pageSize,
            }        
            self.locationUrl = None
        def paramDict2Str(self,params):        
            str1 = ''
            for p,v in params.items():
                str1 = str1+ p+'='+str(v)+'&'
            return str1
        def concatLinkParam(self):
            self.locationUrl = self.locationLink+'?'+self.paramDict2Str(self.paramValue)+'isShadowSku=0&fold=1&page=0'
            #print(self.locationUrl)
            
        def requestMethod(self):
            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; rv:60.0) Gecko/20100101 Firefox/60.0',
                'Referer':'https://item.jd.com/%d.html'%(self.productId),
                'Host':'sclub.jd.com'          
            }
            reqs = req.Request(self.locationUrl,headers=headers)
            print('reqs : ',reqs)
            return reqs       
        def showList(self):
            request_m = self.requestMethod()       
            conn = req.urlopen(request_m)
            return_str = conn.read().decode('gbk')
            return_str = return_str[len(self.callback)+1:-2]
            return json.loads(return_str)   
        def requestMethodPage(self,p):
            # 伪装浏览器 ，打开网站
            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; rv:60.0) Gecko/20100101 Firefox/60.0',
                'Referer':'https://item.jd.com/%d.html'%(self.productId),
                'Host':'sclub.jd.com'          
            }
            url = self.locationUrl[:-1]+str(p)
            print('url : ',url)
            reqs = req.Request(url,headers=headers)
            return reqs
        def showListPage(self,p):
            request_m = self.requestMethodPage(p)       
            conn = req.urlopen(request_m)
            return_str = conn.read().decode('gbk')
            return_str = return_str[len(self.callback)+1:-2]
            return json.loads(return_str)
        def save_csv(self,df,p):
            # 保存文件
            df.to_csv(path_or_buf = 'd:\\xxx\\jd\\jd_%d.csv'%p,encoding='gbk') 
     
        def crawler(self):
            # 把抓取的数据存入CSV文件，设置时间间隔，以免被屏蔽
            dfs = []
            for p in range(self.page):
                json_info = self.showListPage(p)
                tmp_list = []
                #print(json_info)
                productCommentSummary = json_info['productCommentSummary']
                productId = productCommentSummary['productId']
                comments = json_info['comments']
                for com in comments:
                    tmp_list.append([com['id'],productId,com['guid'],com['content'],com['creationTime'],com['referenceId'],com['referenceTime'],com['score'],\
                                     com['nickname'],com['userLevelName'],com['isMobile'],com['userClientShow']])
                df = pd.DataFrame(tmp_list,columns=['comment_id','product_id','guid','content','create_time','reference_id','reference_time','score',\
                                                    'nickname','user_level','is_mobile','user_client'])
                self.save_csv(df,p)
                dfs.append(df)
                time.sleep(random.randint(31,52))
            final_df = pd.concat(dfs,ignore_index=True)
            self.save_csv(final_df,self.page)
     
    def jdComment():
        #设置关键变量
        page = 3 #页数
        productId = 6474492 # 商品ID
        callback = 'fetchJSON_comment98vv782' #回调函数
        JDC = JDCommentsCrawler(productId,callback,page)
        JDC.concatLinkParam()
        JDC.crawler()
    
    if __name__ == '__main__':
        jdComment()

开发环境搭建好，文件路径设置正确，直接复制代码就可以了。

[1]: https://blog.csdn.net/uvyoaa/article/details/80575002
[2]: https://blog.csdn.net/uvyoaa/article/details/80571687
[70]: /images/20220523/1be98821476c435680e0bc80cf37c442.png
[70 1]: /images/20220523/bb24f76f8497451496ff9e46696d56b5.png