Python爬虫，抓取淘宝商品评论内容

作为一个资深吃货，网购各种零食是很频繁的，但是能否在浩瀚的商品库中找到合适的东西，就只能参考评论了！今天给大家分享用python做个抓取淘宝商品评论的小爬虫！



思路

我们就拿“德州扒鸡”做为参考目标吧~！如果想抓其他商品的话，自行更换目标即可！打开淘宝，搜索目标，随便点击一个商品进入,在点击累计评论，打开F12开发者工具——网络，先清除现有的所有内容，然后点击下一页评论，在弹出的内容中查找文件中开头为list_detail_rate.htm的html类型，如下图所示



这个html中就含有我们需要的内容，左键点击然后选择响应，就可以看到具体响应内容了！



这里面是一大串包含我们需要的内容在内的源代码，如果大家有兴趣可以提取内容做成json数据，而我们这里只需要评论数据，所以，用正则匹配评论部分就可以了！

开始写代码

具体过程就赘述了，新建一个函数，接受店铺ID（唯一）作为参数，做一个无限循环来翻页，并以评论时间为判断是否重复，如果重复则跳出循环（return可以直接跳出循环），整个函数部分代码如下

# -*- coding=utf-8 -*-
#qq群:542110741

import requests
import re
import time

def get_comment(itemid):
i = 1#开始页码
d = []#构建一个列表用于判断是否继续循环
lis = []#放置抓取到的内容
while i:
#构建循环用的url
url = 'https://rate.tmall.com/list_detail_rate.htm?itemId={}&order=3&sellerId=1914459560¤tPage={}'.format(itemid,str(i))
html = requests.get(url).text#获取相关内容的源代码
pl = re.findall(r'"rateContent":"(.*?)","rateDate"',html)#评论抓取
dat = re.findall(r'"rateDate":"(.*?)","reply"',html)#评论时间抓取
if dat == d or pl ==[]:#判断是否重复或者是否存在评论
print('==============================')
return lis #跳出循环并返回值
else:
try:
d = dat#没有重复则将评论时间赋值给d，用于下次循环判断
except IndexError as e:
continue#出现该错误则跳出循环，进行下一次
print("第%d页评论"%i,pl)#打印评论内容
lis.append(pl)
i += 1
time.sleep(2)#访问间隔

加入try是因为代码一直在抽风的跳出index错误,后续还可以改进！

作为一个爬虫爱好者，必然要加深抓取的广度的，试着将整个页面的店铺ID抓取出来！这次简单，直接抓到json数据，然后用正则匹配，放回列表，因为时间有限，没有研究出url翻页的依据，就只抓取了一页！

def get_id(kw='德州扒鸡'):
'''
只抓了首页44家店铺的，没有抓后面页面，后续需改进
'''
url = 'https://s.taobao.com/search?data-key=s&data-value=44&ajax=true&' \
'_ksTS=1529811793535_1018&callback=jsonp1019&q={}&imgfile=&js=1&' \
'stats_click=search_radio_all:1&initiative_id=staobaoz_20180624&' \
'ie=utf8&bcoffset=4&p4ppushleft=1,48'.format(kw)
html = requests.get(url).text
id_list = re.findall(r',"auctionNids":\[(.*?)\],"ifDoufuAuction"',html,re.S)[0]
return id_list.replace('"','').split(',')

然后开始写主函数，保存到文档！运行结果如下





emmm，看评论是可以入手的！哈哈！



最后

想说几点，一个是自己写个小爬虫玩玩可以，做分析也行，但是务必切记不要外传扩散，很容易进坑！二是淘宝的反爬其实也不是很难，比如上面的爬虫，并没有做反爬措施，大家可以拿这个来练练手，记得加入sleep就可以，不要给对方服务器造成压力为最好！

代码写的不好，各路高手请见谅!欢迎大家来一起交流、学习！