Python爬虫-按给定关键词-爬取京东商品信息

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封锁，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。