python爬虫淘宝评论_Python爬取淘宝店铺和评论
1 安裝開發需要的一些庫
(1) 安裝mysql 的驅動：在Windows上按win+r輸入cmd打開命令行，輸入命令pip install pymysql，回車即可。
(2) 安裝自動化測試的驅動selenium：在命令行中輸入pip install selenium回車。
(3) 安裝標簽解析庫pyquery: 在命令行中輸入pip install pyquery回車。
(4) Anaconda指的是一個開源的Python發行版本，其包含了conda、Python等180多個科學包及其依賴項，下載anaconda，安裝后配置環境變量，在path中添加E:\Anaconda3\anaconda\Library\bin，重啟電腦使環境變量生效，安裝jieba庫，在命令行中輸入pip install jieba回車。
index.html，并將chromedriver.exe放在Python安裝目錄的Scripts文件夾下。
2.實現
2.1 搜索模塊
搜索功能即一個數據框和一個搜索按鈕組成，點擊搜索之后會跳轉到顯示框的界面，之后點擊爬取數據可以在淘寶網站中對該商品進行搜索，并且爬取相關店鋪的信息，并儲存到數據庫中。
界面顯示用到Tkinter庫，Tkinter 是 Python 的標準 GUI 庫。Python 使用 Tkinter 可以快速的創建 GUI 應用程序。
搜索主要用到selenium，也就是自動化測試工具，測試中根據pyquery中的提供的方法，在得到網頁源碼的情況下，根據HTML中的標簽找到輸入框，搜索按鈕和翻頁的按鈕，模擬人工輸入和點擊，實現自動化控制，最后根據標簽提取出相應的信息插入數據庫中。
因為每個網站因網速的的問題都有響應時間，用WebDriverWait(driver,50)設置響應時間為50s，也就是響應超過50s便出現異常。提取數據時我用的是find_element_by_css_selector()方法，也就是標簽選擇器，可以定位到相應的區域。
Python連接數據庫用到pymysql，PyMySQL 是在 Python3.x 版本中用于連接 MySQL 服務器的一個庫。當得到標題，店鋪名稱，地點，購買人數，店鋪鏈接時，以“|”分割拼接成字符串，作為參數傳遞給insert_data()方法，插入到數據庫中。因為可能會有異常，所以放到try塊中。
爬取數據的實現主要是用到了Pyquery、selenium庫，以下代碼主要實現了對淘寶的檢索、翻頁和對數據的提取。
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
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
# 設置網站最大響應時間
wait=WebDriverWait(driver,50)
class TaoBaoSearch:
# 初始化，默認搜索為None，創建數據庫連接
def __init__(self,search=None):
self.name=search
self.mysql=to.Data_oper()
# 對淘寶網的搜索
def search(self):
# 設置源網站，這里設置淘寶網站為源網站
driver.get("https://www.taobao.com/")#J_TSearchForm > div.search-button > button
# “q”為淘寶首頁輸入框的標簽，這里定位到該輸入框，并設置要搜索商品的名字
imput=driver.find_element_by_id("q")
imput.send_keys(self.name)
# wait.until()該方法的作用是加載出來搜索結果總頁數之后開始往下執行
pageText=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,"#mainsrp-pager > div > div > div > div.total")))
total=re.search("\d+",pageText.text)
# 該方法返回搜索結果的總頁數
return total.group(0)
# 提取出相應的數據
def parseHtml(self):
html=driver.page_source#獲取網頁源代碼
doc=qp(html)
# 得到到class為m-itemlist下面的class是.items .item的div
iteams=doc(".m-itemlist .items .item").items()
# 根據標簽選擇器提取出需要的數據
for itemin iteams:
# src=item(".pic .img").attr("src")
src=item(".row .J_ClickStat").attr("href")# 該店鋪的鏈接
person=item(".row .deal-cnt").text()#購買該商品的人數
title=item(".row .J_ClickStat").text().split("\n")# 標題
shop=item(".row .shopname").text()# 商品
location=item(".row .location").text()# 地區
# 將提取到的數據放到數組中保存起來
data=[]
data.append(str(title[0].strip()))
data.append(str(shop.strip()))
data.append(str(location.strip()))
# 剔除無用字
data.append(str(person[:-3].strip()))
data.append(str(src).strip())
# 調用mysql.insert_data()方法將提取到的數據插入到數據庫中
self.mysql.insert_data(data)
# 對網頁進行翻頁的方法
def nextpage(self,pagenumber):
# 定位到翻頁的按鈕前的輸入框，也就是對其進行跳轉
pageInput=driver.find_element_by_css_selector("#mainsrp-pager > div > div > div > div.form > input")
pageInput.clear()
pageInput.send_keys(pagenumber)
# 定位到跳轉按鈕，對其進行翻頁
pageButton=driver.find_element_by_css_selector("#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit")
pageButton.click()
wait.until(EC.text_to_be_present_in_element((By.CSS_SELECTOR,"#mainsrp-pager > div > div > div > ul > li.item.active > span"),str(pagenumber)))
self.parseHtml()
# 定義主函數，調用上面的的方法
def main(self):
total=int(self.search())
for iin range(2,total):
self.nextpage(i)
self.mysql.close()
2.2 顯示模塊
當點擊搜索之后，考慮到可能搜索的商品會有本地儲存，所以沒有對其直接搜索，而是在顯示框中增加了一個爬取數據的按鈕，該按鈕即對商品進行搜索，而本地數據就是對數據庫的data表進行查詢，并將數據顯示到界面上來。排序是對本地數據按購買人數進行排序，并顯示在文本框中，在顯示行數后面輸入數字后，可以控制文本框的顯示條數，默認顯示10條。一鍵刪除即把data表中的數據清空。
本地數據：對數據庫中的data表進行查詢，并將信息顯示到文本框中，其中每條數據中間以“——”分開，每個字段之間以“|”分隔，因為考慮到店鋪名稱或是標題太長而不整齊，所以每個字段顯示10個字符。
排序：當點擊排序之后，會查詢出數據庫中每條數據的購買人數和店鋪名稱，并且以“，”分割拼接成字符串，設置一個元組(即數組性質)，并根據用戶輸入的顯示行數，控制元組的長度，具體實現：根據從數據庫中得到的數據，每條每條的讀取，當讀取條數達到用戶輸入的顯示行數的值，對元組中的數據用sort(reverse=True)對其進行從大到小排序：原理是：因購買人數一個月不超過一百萬，所以得到的購買人數的最大長度為6位，這樣，當每次讀取的購買人數的長度不夠6位時，在其前面補0，這樣，購買人數的長度都為6，對其拼接的格式為“購買人數，店鋪名稱”，因為拼接后為字符串類型，所以用shot排序時會根據前面的購買人數進行字典序進行排序，進而前n條數據就排好序了，接著，每讀取一條數據就對元組中最后一個數據進行比較，若是大于其數值，就插入到元組中，最后返回元組，這樣，就實現了顯示n條購買人數最多的數據。清除數據：對文本框中的數據進行清空，同時，刪除data表中的數據。
以下代碼是一個排序的算法，其主要作用是在界面上顯示多少行數據，主要思路為：根據用戶輸入的數字創建一個數組，讀取數據庫中得到數據，分離出來購買人數并轉換成int類型，將數據每次添加一個到數組中，當數組的長度等于用戶想要顯示最大行數時，對其數組中的數據從大到小進行排序，接下來，每當讀取一個數據之后，就對數組中最小的那個進行比較，如果比起小，就跳過，否則，對該數據進行插入操作，并刪除之前最小的那個數據，最后數組中保存的就是購買人數最多的前n條數據。
主要代碼如下：
#對數據進行排序，data為購買人數
def shot_data(self,data,i=10): # i為用戶想要顯示的最大行數，默認為10行
top=[]
if i>len(data):
i=len(data)
for x in data:
if len(top)
top.append(x)
if len(top)==i:
top.sort(reverse=True) # 數組內的數據進行排序
else:
l=len(top)
y=len(top)
t=1
if x>top[l-1]: # 判斷其數值是否大于數組內的最小值
while x>top[l-t] and y>0: # 控制循環條件
t+=1
y-=1
if y!=0: # y的值若是==0，那么該數值就是最大值
for c in range(1,t):
top[l-c]=top[l-c-1]
top[l-t+1]=x
else:
for c in range(1,t):
top[l-c]=top[l-c-1]
top[0]=x
return top # 返回裝有最大的前i個數的數組
2.3 評論模塊
點擊查看鏈接之后會出現一個搜索框，即根據店鋪名稱搜索出相關的連接，點擊查看評論之后可以對其店鋪進行爬取，最后顯示在評論框中。分析就是對評論進行關鍵詞提取，并按權重顯示出前n個詞。點擊查看評論進行自動化測試。
搜索店鋪鏈接：根據用戶輸入的信息對數據庫進行模糊查詢，返回所有的匹配信息。并顯示在文本框中。
爬取評論：首先清空comment表中的數據，根據curselection()方法得到用戶選中的鏈接，接著對該鏈接進行爬取，在進入該店鋪時，會提示需要登錄，這樣會對我們的自動化測試造成一定的阻礙，這里，我根據pyquery中提供的標簽選擇器，找到關閉按鈕，模擬點擊進行關閉，當進入店鋪后，依舊是先得到該網頁的源代碼，根據標簽選擇器進行相應的操作，爬取到的評論時間，評論和購買物品以“|”拼接成字符串，顯示到文本框的同時插入到數據庫中。
評論分析：jieba是Python的中文分詞組件。當查詢到comment表中所有數據時，將每一條數據拼接成一個字符串，接著用jieba.posseg中的cut()方法，將評論分割成單個詞并標注詞性，用startswith('a')、startswith('v')得到形容詞和動詞。最后用jieba.analyse.extract_t
ags(v,topK=10)方法得到動詞、形容詞中權重較大的前10個詞。
以下代碼是對評論進行關鍵詞的提取，用到了jieba庫中的一些方法。
主要代碼如下：
def dis_an(self):
# 清空顯示界面
self.txtMess.delete(1.0,END)
t=to.Data_oper()
# 得到數據庫中的存儲信息
test=t.dis_only_discuss()
# 定義字符串adg，v
adg=""
v=""
# 對評論進行分割并標注詞性
word=psg.cut(test)
# w為詞意，f為詞性
for w,f in word:
# 判斷詞性是否為形容詞
if f.startswith('a'):
print(w)
adg=adg+","+w
# 判斷詞性是否為動詞
elif f.startswith('v'):
v=v+","+w
# 根據該詞的權重提取出前5個詞
tags=jieba.analyse.extract_tags(adg,topK=5)
tags1=jieba.analyse.extract_tags(v,topK=5)
總結
以上是生活随笔為你收集整理的python爬虫淘宝评论_Python爬取淘宝店铺和评论的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： linux blender骨骼绑定,Li
- 下一篇： 安装好了python环境后如何打开_教你