文章目录
项目背景
网站建设定制开发需要获取京东的某一领网站建设定制开发域的商品信息数据,网站建设定制开发为后续项目推进做准备
实现思路
网站建设定制开发去获取每一个商品的数网站建设定制开发据首先需要去利用京东的搜索,利用关键字得到相关商品信息,由搜索结果去进行信息获取;这里以洗面奶商品举例:
具体实现
在搜索页面,我们关注的信息是每个商品的商品名称,商品价格,商品uid,商品备注,以及商品网址
step1
由观察可知,京东的搜索页面是动态加载的,数据会随着你的下拉而不断地加载出来,为了保证数据获取的完整,我们需要借助selenium模拟浏览器下拉,得到完整的页面;同时借助开发者工具,去定位我们需要的数据所位于的元素位置
step1.1
这里有一个值得注意的点,在获取商品名称时,如果利用xpath去获取时,如果不做针对性处理,很容易导致名称获取不全,甚至无法获取;
原因分析:观察上图可知,在搜索时,我们的关键词在商品中会被标红,且被包裹在更深层的元素标签中,不处理的话,将会使得所获取的商品名称内容缺失
解决方法:查阅了很多资料后,确定了解决方法,即
实现代码如下:
def get_data(html): # 创建etree对象 tree = etree.HTML(html) # titles= tree.xpath('//div[@id="J_searchWrap"]//div[@class="gl-i-wrap"]//div[@class="p-name p-name-type-2"]//em') # print(len(titles)) # for title in titles: # print(title.xpath('string(.)').strip()) lis=tree.xpath('//ul[@class="gl-warp clearfix"]/li') for li in lis: try: title_r=li.xpath('.//div[@class="p-name p-name-type-2"]//em') #print(title.xpath('string(.)').strip()) title=title_r[0].xpath('string(.)').strip() title=title.replace('','') #print(title.replace('','')) price = li.xpath('.//div[@class="p-price"]//i/text()')[0].strip() # 价格 #print(price) data_sku = li.xpath('./@data-sku')[0].strip() # 商品唯一id #print(data_sku) #comment = li.xpath('.//div[@class="p-commit"]//a') # 评论数 shop_name = li.xpath('.//div[@class="p-shop"]//a//text()')[0].strip() # 商铺名字 #print(shop_name) icons = li.xpath('.//div[@class="p-icons"]/i/text()') # 备注 #comment = comment[0] if comment != [] else '' icons_n = '' for x in icons: icons_n = icons_n+ x.replace('','') icons_n=icons_n+';' #print(icons_n) detail_url = li.xpath('.//div[@class="p-name p-name-type-2"]/a/@href')[0] # 详情页网址 detail_url = 'https:' + detail_url #print(detail_url) item = [title, price, shop_name,data_sku, icons_n, detail_url] print(item) sheet.append(item) except Exception as e: print("错误原因:", e)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
step1.2
借助如上思路,我们可以完成对所有商品信息的一个基本获取,实现的具体效果如下:
step2
这一部分,我们利用前述得到的每一个商品url,进入获取每一个商品的所有评论
同样的我们利用开发者工具,观察网页布局,以及文件加载状况,得到加载数据的json文件,
这里以https://club.jd.com/comment/productPageComments.action?&productId=100008054085&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1
为例,打开,可看到我们需要的数据信息;
注意:此处json文件不够标准,还需要调整,即删除开头的fetchJSON_comment98(
以及结尾的)
通过解析jsonurl内容可知相关参数指代
json文件参数https://club.jd.com/comment/productPageComments.action?&productId=100008054085&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1productId=5561746 产品id--利用这个得到网页jsonscore=0/1/2/3/4/5 产品评价 全部评价/差评/中评/好评/追评page 页码
- 1
- 2
- 3
- 4
- 5
- 6
由此我们就可以得到我们需要的相关信息,这里我采集了==‘用户名’, ‘用户id’, ‘评论内容’,‘评论时间’==
具体效果如下:
至此我们的爬取工作暂时告一段落。
具体代码
Reference
[1]:
[2]:
[3]: