Python爬虫-爬取京东商品信息-按给定关键词

目的：按给定关键词爬取京东商品信息，并保存至mongodb。

字段：title、url、store、store_url、item_id、price、comments_count、comments

工具：requests、lxml、pymongo、concurrent

分析：

1.  https://search.jd.com/Search?keyword=耳机&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=er%27ji&page=1&s=56&click=0，这是京东搜索耳机的跳转url，其中关键参数为：

　keyword：关键词

　enc：字符串编码

　page：页码，需要注意的是，这里的数值均为奇数

　所以简化后的 url 为 https://search.jd.com/Search?keyword=耳机&enc=utf-8&page=1

2.  分析各字段的 xpath，发现在搜索页面只能匹配到 title、url、store、store_url、item_id、price。至于 comments_count、comments 需要单独发出请求。

3.  打开某一商品详情页，点击商品评价，打开开发者工具。点击评论区的下一页，发现在新的请求中，除去响应为媒体格式外，仅多出一个 js 响应，故猜测评论内容包含其中。

4.  分析上述请求的 url，简化后为 https://sclub.jd.com/comment/productPageComments.action?productId=100004325476&score=0&sortType=5&page=0&pageSize=10，其中：

　productId：商品的Id，可简单的从详情页的 url 中获取

　page：评论页码

5.  由以上可以得出，我们需要先从搜索页面中获取的商品 id，通过 id 信息再去获取评论信息。爬取评论时需要注意，服务器会判断请求头中的 Referer，即只有通过商品详情页访问才能得到评论，所以我们每次都根据 item_id 构造请求头。

6.  先将基础信息插入至数据库，在得到评论信息后，根据索引 item_id 将其补充完整。

代码:

 import requests
 from lxml import etree
 import pymongo
 from concurrent import futures

 class CrawlDog:
     def __init__(self, keyword):
         """
         初始化
         :param keyword: 搜索的关键词
         """
         self.keyword = keyword
         self.mongo_client = pymongo.MongoClient(host='localhost')
         self.mongo_collection = self.mongo_client['spiders']['jd']
         self.mongo_collection.create_index([('item_id', pymongo.ASCENDING)])

     def get_index(self, page):
         """
         从搜索页获取相应信息并存入数据库
         :param page: 搜索页的页码
         :return: 商品的id
         """
         url = 'https://search.jd.com/Search?keyword=%s&enc=utf-8&page=%d' % (self.keyword, page)
         index_headers = {
             'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,'
                       'application/signed-exchange;v=b3',
             'accept-encoding': 'gzip, deflate, br',
             'Accept-Charset': 'utf-8',
             'accept-language': 'zh,en-US;q=0.9,en;q=0.8,zh-TW;q=0.7,zh-CN;q=0.6',
             'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                           'Chrome/74.0.3729.169 Safari/537.36'
         }
         rsp = requests.get(url=url, headers=index_headers).content.decode()
         rsp = etree.HTML(rsp)
         items = rsp.xpath('//li[contains(@class, "gl-item")]')
         for item in items:
             try:
                 info = dict()
                 info['title'] = ''.join(item.xpath('.//div[@class="p-name p-name-type-2"]//em//text()'))
                 info['url'] = 'https:' + item.xpath('.//div[@class="p-name p-name-type-2"]/a/@href')[0]
                 info['store'] = item.xpath('.//div[@class="p-shop"]/span/a/text()')[0]
                 info['store_url'] = 'https' + item.xpath('.//div[@class="p-shop"]/span/a/@href')[0]
                 info['item_id'] = info.get('url').split('/')[-1][:-5]
                 info['price'] = item.xpath('.//div[@class="p-price"]//i/text()')[0]
                 info['comments'] = []
                 self.mongo_collection.insert_one(info)
                 yield info['item_id']
             # 实际爬取过程中有一些广告, 其中的一些上述字段为空
             except IndexError:
                 print('item信息不全, drop!')
                 continue

     def get_comment(self, params):
         """
         获取对应商品id的评论
         :param params: 字典形式, 其中item_id为商品id, page为评论页码
         :return:
         """
         url = 'https://sclub.jd.com/comment/productPageComments.action?productId=%s&score=0&sortType=5&page=%d&' \
               'pageSize=10' % (params['item_id'], params['page'])
         comment_headers = {
             'Referer': 'https://item.jd.com/%s.html' % params['item_id'],
             'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                           'Chrome/74.0.3729.169 Safari/537.36'
         }
         rsp = requests.get(url=url, headers=comment_headers).json()
         comments_count = rsp.get('productCommentSummary').get('commentCountStr')
         comments = rsp.get('comments')
         comments = [comment.get('content') for comment in comments]
         self.mongo_collection.update_one(
             # 定位至相应数据
             {'item_id': params['item_id']},
             {
                 '$set': {'comments_count': comments_count},  # 添加comments_count字段
                 '$addToSet': {'comments': {'$each': comments}}  # 将comments中的每一项添加至comments字段中
             }, True)

     def main(self, index_pn, comment_pn):
         """
         实现爬取的函数
         :param index_pn: 爬取搜索页的页码总数
         :param comment_pn: 爬取评论页的页码总数
         :return:
         """
         # 爬取搜索页函数的参数列表
         il = [i * 2 + 1 for i in range(index_pn)]
         # 创建一定数量的线程执行爬取
         with futures.ThreadPoolExecutor(15) as executor:
             res = executor.map(self.get_index, il)
         for item_ids in res:
             # 爬取评论页函数的参数列表
             cl = [{'item_id': item_id, 'page': page} for item_id in item_ids for page in range(comment_pn)]
             with futures.ThreadPoolExecutor(15) as executor:
                 executor.map(self.get_comment, cl)

 if __name__ == '__main__':
     # 测试, 只爬取两页搜索页与两页评论
     test = CrawlDog('耳机')
     test.main(2, 2)

总结：爬取的过程中可能会被封 IP，测试时评论页面的获取被*，使用代理可以解决该问题，后面会来主要说一下代理的使用。