女友忽然欲买文胸，但不知何色更美，Python解之【全程实战，议藏之】

情景再现

今日天气尚好，女友忽然欲买文胸，但不知何色更美，遂命吾剖析何色买者益众，为点议，事后而奖励之。

本文关键词

协程并发?、IP被封?、IP代理?、代理被封?、一种植物?

挑个“软柿子”

打开京东，直接搜 【文胸】，挑个评论最多的

进入详情页，往下滑，可以看到商品介绍啥的，同时商品评价也在这里。

接下来重头戏，F12 打开 开发者工具，选择 Network，然后点击全部评价，抓取数据包。

将 url 打开，发现确实是评论数据。

单页爬取

那我们先写个小 demo 来尝试爬取这页的代码，看看有没有什么问题。

import requestsimport pandas as pdheaders = {    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.54 Safari/537.36"}params = {    "callback":"fetchJSON_comment98",    "productId":"35152509650",    "score":"0",    "sortType":"6",    "page": "5",    "pageSize":"10",    "isShadowSku":"0",    "rid":"0",    "fold":"1"}url = "https://club.jd.com/comment/productPageComments.action?"page_text = requests.get(url=url, headers=headers, params=params).textpage_text

数据处理

数据是获取了，但前面多了一些没用的字符（后面也有），很明显不能直接转成 json 格式，需要处理一下。

page_text = page_text[20: len(page_text) - 2]data = json.loads(page_text)data

现在数据格式处理好了，可以上手解析数据，提取我们所需要的部分。这里我们只提取 id（评论id）、color（产品颜色）、comment（评价）、time（评价时间）。

import pandas as pddf = pd.DataFrame({"id": [],                   "color": [],                   "comment": [],                   "time": []})for info in data["comments"]:    df = df.append({"id": info["id"],                    "color": info["productColor"],                    "comment": info["content"],                    "time": info["creationTime"]},                   ignore_index=True)df

翻页操作

那么接下来就要寻找翻页的关键了，下面用同样的方法获取第二页、第三页的url，进行对比。

简单分析一下，page 字段是页数，翻页会用到，值得注意的是 sortType，字面意思是排序类型，猜测排序方式可能是：热度、时间等。经过测试发现 sortType=5 肯定不是按时间排序的，应该是热度，我们要获取按时间排序的，这样后期比较好处理，然后试了几个值，最后确定当 sortType=6 时是按评价时间排序。图中最后还有个 rid=0 ，不清楚什么作用，我爬取两个相同的url（一个加 rid 一个不加），测试结果是相同的，所以不用管它。

撸代码

先写爬取结果：开始想爬 10000 条评价，结果请求过多IP凉了，从IP池整了丶代理，也没顶住，拼死拼活整了1000条，时间不够，如果时间和IP充足，随便爬。经过测试发现这个IP封锁时间不会超过一天，第二天我跑了一下也有数据。下面看看主要的代码。

主调度函数

设置爬取的 url 列表，windows 环境下记得限制并发量，不然报错，将爬取的任务添加到 tasks 中，挂起任务。

async def main(loop):    # 获取url列表    page_list = list(range(0, 1000))    # 限制并发量    semaphore = asyncio.Semaphore(500)    # 创建任务对象并添加到任务列表中    tasks = [loop.create_task(get_page_text(page, semaphore)) for page in page_list]    # 挂起任务列表    await asyncio.wait(tasks)

页面抓取函数

抓取方法和上面讲述的基本一致，只不过换成 aiohttp 进行请求，对于SSL证书的验证也已设置。程序执行后直接进行解析保存。

async def get_page_text(page, semaphore):    async with semaphore:        headers = {            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.54 Safari/537.36"        }        params = {            "callback": "fetchJSON_comment98",            "productId": "35152509650",            "score": "0",            "sortType": "6",            "page": f"{page}",            "pageSize": "10",            "isShadowSku": "0",            # "rid": "0",            "fold": "1"        }        url = "https://club.jd.com/comment/productPageComments.action?"        async with aiohttp.ClientSession(connector=aiohttp.TCPConnector(ssl=False), trust_env=True) as session:            while True:                try:                    async with session.get(url=url, proxy="http://" + choice(proxy_list), headers=headers, params=params,                                           timeout=4) as response:                        # 遇到IO请求挂起当前任务，等IO操作完成执行之后的代码，当协程挂起时，事件循环可以去执行其他任务。                        page_text = await response.text()                        # 未成功获取数据时，更换ip继续请求                        if response.status != 200:                            continue                        print(f"第{page}页爬取完成!")                        break                except Exception as e:                    print(e)                    # 捕获异常，继续请求                    continue        return parse_page_text(page_text)

解析保存函数

将 json 数据解析以追加的形式保存到 csv 中。

def parse_page_text(page_text):    page_text = page_text[20: len(page_text) - 2]    data = json.loads(page_text)    df = pd.DataFrame({"id": [],                       "color": [],                       "comment": [],                       "time": []})    for info in data["comments"]:        df = df.append({"id": info["id"],                        "color": info["productColor"],                        "comment": info["content"],                        "time": info["creationTime"]},                       ignore_index=True)    header = False if Path.exists(Path("评价信息.csv")) else True    df.to_csv("评价信息.csv", index=False, mode="a", header=header)    print("已保存")

可视化

颜色分布

排名前三分别是灰粉色、黑色、裸感肤色，多的不说，自己体会哈。

评价词云图

可以看出评价的关键词大多是对上身感觉的一些描述，穿着舒服当然是第一位的~

完结撒花，该向女朋友汇报工作了~

⭐️往期精彩，不容错过⭐️

总结篇
❤️两万字，50个pandas高频操作【图文并茂，值得收藏】❤️
❤️吐血总结《Mysql从入门到入魔》，图文并茂（建议收藏）❤️


工具篇
⭐️Python实用小工具之制作酷炫二维码（有界面、附源码）⭐️
❤️Python实用工具之制作证件照（有界面、附源码）❤️
❤️女朋友桌面文件杂乱无章？气得我用Python给她做了一个文件整理工具❤️

❤️源码获取方式❤️

别忘记点赞哦~