首页 > > 网络编程 > 其它 >

Python网络爬虫笔记（五）：下载、分析京东P20销…

2018-06-18 02:28:30来源：未知阅读 ()

(一) 分析网页

下载下面这个链接的销售数据

https://item.jd.com/6733026.html#comment

1、翻页的时候，谷歌F12的Network页签可以看到下面的请求。（这里的翻页指商品评价中1、2、3页等）

从Preview页签可以看出，这个请求是获取评论信息的

2、对比第一页、第二页、第三页…请求URL的区别

可以发现 page=0、page=1，0和1指的应该是页数。

第一页的 request url：没有这个rid=0& 。第二、三页…的request url：多了这个rid=0&

除了上面这2个地方,其他内容都是一样的。

3、直接在浏览器输入复制出来的request url，可以看到评论、颜色、版本、内存信息，代码将根据这些信息来写正则表达式进行匹配。

(二) 实现代码

delayed.py的代码和我前面发的是一样的(Python网络爬虫笔记（二）),不限速的话把和这个模块相关的代码删除就行了

 1 import urllib.request as ure
 2 import urllib.parse
 3 import openpyxl
 4 import re
 5 import os
 6 from delayed import WaitFor
 7 def download(url,user_agent='FireDrich',num=2,proxy=None):
 8     print('下载:'+url)
 9     #设置用户代理
10     headers = {'user_agent':user_agent}
11     request = ure.Request(url,headers=headers)
12     #支持代理
13     opener = ure.build_opener()
14     if proxy:
15         proxy_params = {urllib.parse.urlparse(url).scheme: proxy}
16         opener.add_handler(ure.ProxyHandler(proxy_params))
17     try:
18         #下载网页
19         # html = ure.urlopen(request).read()
20         html = opener.open(request).read()
21     except ure.URLError as e:
22         print('下载失败'+e.reason)
23         html=None
24         if num>0:
25             #遇到5XX错误时，递归调用自身重试下载，最多重复2次
26             if hasattr(e,'code') and 500<=e.code<600:
27                 return download(url,num=num-1)
28     return html
29 def writeXls(sale_list):
30     #如果Excel不存在，创建Excel，否则直接打开已经存在文档
31     if 'P20销售情况.xlsx' not in os.listdir():
32         wb =openpyxl.Workbook()
33     else:
34         wb =openpyxl.load_workbook('P20销售情况.xlsx')
35     sheet = wb['Sheet']
36     sheet['A1'] = '颜色'
37     sheet['B1'] = '版本'
38     sheet['C1'] = '内存'
39     sheet['D1'] = '评论'
40     sheet['E1'] = '评论时间'
41     x = 2
42     #迭代所有销售信息（列表）
43     for s in sale_list:
44         #获取颜色等信息
45         content = s[0]
46         creationTime = s[1]
47         productColor = s[2]
48         productSize = s[3]
49         saleValue = s[4]
50         # 将颜色等信息添加到Excel
51         sheet['A' + str(x)] = productColor
52         sheet['B' + str(x)] = productSize
53         sheet['C' + str(x)] = saleValue
54         sheet['D' + str(x)] = content
55         sheet['E' + str(x)] = creationTime
56         x += 1
57     wb.save('P20销售情况.xlsx')
58 
59 page = 0
60 allSale =[]
61 waitFor = WaitFor(2)
62 #预编译匹配颜色、版本、内存等信息的正则表达式
63 regex = re.compile('"content":"(.*?)","creationTime":"(.*?)".*?"productColor":"(.*?)","productSize":"(.*?)".*?"saleValue":"(.*?)"')
64 #这里只下载20页数据，可以设置大一些（因为就算没评论信息，也能下载到一些标签信息等，所以可以if 正则没匹配的话就结束循环，当然，下面没处理这个）
65 while page<20:
66     if page==0:
67         url = 'https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv176&productId=6733026&score=0&sortType=5&page=' + str(page) + '&pageSize=10&isShadowSku=0&fold=1'
68     else:
69         url = 'https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv176&productId=6733026&score=0&sortType=5&page=' + str(page) + '&pageSize=10&isShadowSku=0&rid=0&fold=1'
70     waitFor.wait(url)
71     html = download(url)
72     html = html.decode('GBK')
73     #以列表形式返回颜色、版本、内存等信息
74     sale = regex.findall(html)
75     #将颜色、版本、内存等信息添加到allSale中（扩展allSale列表）
76     allSale.extend(sale)
77     page += 1
78 
79 writeXls(allSale)