爬取京東評論信息

一，爬蟲需求分析

1，需求。

　　我們需要獲取多個鏈接的白酒在2018年評論數量。

2，分析。

　　一個商品頁面有好幾個規格，如圖：

評論區我們需要獲取的數據是當前選擇的商品，而且需要時間順序為2018年的：

這時候得到的評論有很多頁，我們需要一條條的去爬取。

二，誤區

因為時間排序以及當前商品評論的限制，我們選擇了Selenium作為爬蟲工具，寫了很久發現時間排序的那個地方不是<select>標簽，在標簽選取上出現了問題，所以放棄了該方法。

三，productPageComments實現

1，選擇本方法的原因

　　我們發現我們需要爬取的鏈接中都有商品ID，而不同規格的商品ID也不同，如果用productPageComments獲得評論的話那么相當於解決了僅獲取當前商品評論的問題，現在只需要完成2018評論數量的限制了。

2，實現

　　通過依此讀取鏈接的方法用for循環頁數爬取所有的評論。要是獲取的productPageComments中沒有評論咋辦？只需要讓前N頁的評論總數與前N-5頁對比，若沒變化，則說明后面都沒有評論了，程序停止。

　　2018的限定只需要把爬取的日期取前4位，然后用正則匹配2018即可。

    for i in data['comments']:
        #name = i['referenceName'] #酒的種類
        time_comment = i['creationTime'][0:4]  #只選擇評論時間的年份，若為2018開頭則符合要求
        time_comments.append(time_comment)
    total_com_num.append(time_comments.count("2018"))  #[每頁的評論數]，所以得注意所以頁碼如何處理？

3，總代碼

import requests
import json
import re

total_com_num = []  #用於計算總評論數
def getcontent(url):
    productPageComments = requests.get(url)
    data = json.loads(productPageComments.text[26:-2])  #translate to json

    time_comments = []  #本容器用於篩選出時間正確的商品
    for i in data['comments']:
        #name = i['referenceName'] #酒的種類
        time_comment = i['creationTime'][0:4]  #只選擇評論時間的年份，若為2018開頭則符合要求
        time_comments.append(time_comment)
    total_com_num.append(time_comments.count("2018"))  #[每頁的評論數]，所以得注意所以頁碼如何處理？
    return sum(total_com_num)  #返回前i頁（note：這個i是page的i）下評論總數。

if __name__ == '__main__':
    link_list = []
    f = open("1.txt")  # 返回一個文件對象
    lines = f.readlines()  # 調用文件的 readline()方法
    for line in lines:
        link_list.append(line)

    # link = "https://item.jd.com/21391048137.html#comment"
    # goods_id = int(re.findall('\d+', link)[0]) # 裝你要找的商品的商品ID,[6873309,第二個商品ID，第三個商品ID。。。] 100000766433
    page = 500  # 頁碼最大值，如果評論的頁碼數量大於500則得到的數據會不准確。

    list=[]
    step = 5  #前i與i-5數量一致的話，代碼就停止

    for link in link_list:
        goods_id = int(re.findall('\d+', link)[0])  # 裝你要找的商品的商品ID,[6873309,第二個商品ID，第三個商品ID。。。] 100000766433

        # 括號為商品ID,為了支持翻頁
        for i in range(page): #i from zero to page
            url = "https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv4640&productId=" + str(goods_id) + "&score=0&sortType=5&page="+str(i)+"&pageSize=10&isShadowSku=0&rid=0&fold=1"
            list.append(getcontent(url))
            if (i>step) and (list[i] == list[i-step]):
                # print("第",i,"頁停止程序！",goods_id,list[-1])
                print("第",i,"頁停止程序！",list[-1])
                break

四，總結

　　json和re還不夠熟練，有待加強。