摘要：今天閑暇之余寫了一個爬蟲例子。后兩個為分頁參數，是每個商品的，通過這個去獲取商品的評價記錄，所以我們只需要知道每個商品的就輕而易舉的獲取評價了。大概了解了整個流程，就可以開始我們的爬蟲工作了。

今天閑暇之余寫了一個爬蟲例子。通過爬蟲去爬取京東的用戶評價，通過分析爬取的數據能得到很多結果，比如，哪一種顏色的胸罩最受女性歡迎，以及中國女性的平均size(僅供參考哦~)

打開開發者工具-network，在用戶評價頁面我們發現瀏覽器有這樣一個請求

通過分析我們發現主要用的參數有三個productId，page，pageSize。后兩個為分頁參數，productId是每個商品的id，通過這個id去獲取商品的評價記錄，所以我們只需要知道每個商品的productId就輕而易舉的獲取評價了。再來分析搜索頁面的網頁源代碼

通過分析我們發現每個商品都在li標簽中，而li標簽又有一個data-pid屬性，這個對應的值就是商品的productId了。

大概了解了整個流程，就可以開始我們的爬蟲工作了。

首先我們需要在搜索頁面獲取商品的id，為下面爬取用戶評價提供productId。key_word為搜索的關鍵字，這里就是【胸罩】

import requests
import re

"""
查詢商品id
"""
def find_product_id(key_word):
    jd_url = "https://search.jd.com/Search"
    product_ids = []
    # 爬前3頁的商品
    for i in range(1,4):
        param = {"keyword": key_word, "enc": "utf-8", "page": i}
        response = requests.get(jd_url, params=param)
        # 商品id
        ids = re.findall("data-pid="(.*?)"", response.text, re.S)
        product_ids += ids
    return product_ids

將前三頁的商品id放入列表中，接下來我們就可以爬取評價了

我們通過分析preview發現獲取用戶評價這個請求響應的格式是一個字符串后面拼接了一個json(如下圖)，所以我們只要將無用的字符刪除掉，就可以獲取到我們想要的json對象了。

而在json對象中的comments的內容就是我們最終想要的評價記錄

"""
獲取評論內容
"""
def get_comment_message(product_id):
    urls = ["https://sclub.jd.com/comment/productPageComments.action?" 
            "callback=fetchJSON_comment98vv53282&" 
            "productId={}" 
            "&score=0&sortType=5&" 
            "page={}" 
            "&pageSize=10&isShadowSku=0&rid=0&fold=1".format(product_id, page) for page in range(1, 11)]
    for url in urls:
        response = requests.get(url)
        html = response.text
        # 刪除無用字符
        html = html.replace("fetchJSON_comment98vv53282(", "").replace(");", "")
        data = json.loads(html)
        comments = data["comments"]
        t = threading.Thread(target=save_mongo, args=(comments,))
        t.start()

在這個方法中只獲取了前10頁的評價的url，放到urls這個列表中。通過循環獲取不同頁面的評價記錄，這時啟動了一個線程用來將留言數據存到到MongoDB中。

我們繼續分析評價記錄這個接口發現我們想要的兩條數據

productColor：產品顏色

productSize：產品尺寸

# mongo服務
client = pymongo.MongoClient("mongodb://127.0.0.1:27017/")
# jd數據庫
db = client.jd
# product表,沒有自動創建
product_db = db.product

#  保存mongo
def save_mongo(comments):
    for comment in comments:
        product_data = {}
        # 顏色
        # flush_data清洗數據的方法
        product_data["product_color"] = flush_data(comment["productColor"])
        # size
        product_data["product_size"] = flush_data(comment["productSize"])
        # 評論內容
        product_data["comment_content"] = comment["content"]
        # create_time
        product_data["create_time"] = comment["creationTime"]
        # 插入mongo
        product_db.insert(product_data)

因為每種商品的顏色、尺寸描述上有差異，為了方面統計，我們進行了簡單的數據清洗。這段代碼非常的不Pythonic。不過只是一個小demo，大家無視即可。

def flush_data(data):
    if "膚" in data:
        return "膚色"
    if "黑" in data:
        return "黑色"
    if "紫" in data:
        return "紫色"
    if "粉" in data:
        return "粉色"
    if "藍" in data:
        return "藍色"
    if "白" in data:
        return "白色"
    if "灰" in data:
        return "灰色"
    if "檳" in data:
        return "香檳色"
    if "琥" in data:
        return "琥珀色"
    if "紅" in data:
        return "紅色"
    if "紫" in data:
        return "紫色"
    if "A" in data:
        return "A"
    if "B" in data:
        return "B"
    if "C" in data:
        return "C"
    if "D" in data:
        return "D"

這幾個模塊的功能編寫完畢，下面只需要將他們聯系起來

# 創建一個線程鎖
lock = threading.Lock()

# 獲取評論線程
def spider_jd(ids):
    while ids:
        # 加鎖
        lock.acquire()
        # 取出第一個元素
        id = ids[0]
        # 將取出的元素從列表中刪除，避免重復加載
        del ids[0]
        # 釋放鎖
        lock.release()
        # 獲取評論內容
        get_comment_message(id)


product_ids = find_product_id("胸罩")
for i in (1, 5):
    # 增加一個獲取評論的線程
    t = threading.Thread(target=spider_jd, args=(product_ids,))
    # 啟動線程
    t.start()

上面代碼加鎖的原因是為了防止重復消費共享變量

運行之后的查看MongoDB：

得到結果之后，為了能更直觀的表現數據，我們可以用matplotlib庫進行圖表化展示

import pymongo
from pylab import *


client = pymongo.MongoClient("mongodb://127.0.0.1:27017/")
# jd數據庫
db = client.jd
# product表,沒有自動創建
product_db = db.product
# 統計以下幾個顏色
color_arr = ["膚色", "黑色", "紫色", "粉色", "藍色", "白色", "灰色", "香檳色", "紅色"]

color_num_arr = []
for i in color_arr:
    num = product_db.count({"product_color": i})
    color_num_arr.append(num)

# 顯示的顏色
color_arr = ["bisque", "black", "purple", "pink", "blue", "white", "gray", "peru", "red"]

#labeldistance，文本的位置離遠點有多遠，1.1指1.1倍半徑的位置
#autopct，圓里面的文本格式，%3.1f%%表示小數有三位，整數有一位的浮點數
#shadow，餅是否有陰影
#startangle，起始角度，0，表示從0開始逆時針轉，為第一塊。一般選擇從90度開始比較好看
#pctdistance，百分比的text離圓心的距離
#patches, l_texts, p_texts，為了得到餅圖的返回值，p_texts餅圖內部文本的，l_texts餅圖外label的文本
patches,l_text,p_text = plt.pie(sizes, labels=labels, colors=colors,
                                labeldistance=1.1, autopct="%3.1f%%", shadow=False,
                                startangle=90, pctdistance=0.6)
#改變文本的大小
#方法是把每一個text遍歷。調用set_size方法設置它的屬性
for t in l_text:
    t.set_size=(30)
for t in p_text:
    t.set_size=(20)
# 設置x，y軸刻度一致，這樣餅圖才能是圓的
plt.axis("equal")
plt.title("內衣顏色比例圖", fontproperties="SimHei") #
plt.legend()
plt.show()

運行代碼，我們發現膚色的最受歡迎 其次是黑色 (鋼鐵直男表示不知道是不是真的...)

接下來我們再來統計一下size 的分布圖，這里用柱狀圖進行顯示

index=["A","B","C","D"]

client = pymongo.MongoClient("mongodb://127.0.0.1:27017/")
db = client.jd
product_db = db.product

value = []
for i in index:
    num = product_db.count({"product_size": i})
    value.append(num)

plt.bar(left=index, height=value, color="green", width=0.5)

plt.show()

運行后我們發現 B size的女性更多一些

最后，歡迎大家關注我的公眾號（python3xxx）。每天都會推送不一樣的Python干貨。