點(diǎn)擊“ 開發(fā)者技術(shù)前線 ”，選擇“星標(biāo)”

在看|星標(biāo)|留言,? 真愛

授權(quán)來自公眾號(hào)：裸睡的豬（ID：IT-Pig）

一、需求背景

在實(shí)際開發(fā)過程中，在我們動(dòng)手開發(fā)之前，都是由產(chǎn)品經(jīng)理為我們（測試、前端、后端、項(xiàng)目經(jīng)理等）先講解一下需求，我們了解了需求之后，才開始一起來討論技術(shù)方案。

我們自己實(shí)現(xiàn)一些小功能時(shí)同樣需要討論需求，也就是告訴別人我們?yōu)槭裁匆鲞@個(gè)東西？或者我們想利用這款產(chǎn)品解決什么問題。

我們常常看到一些有關(guān)充氣娃娃的表情包和圖片或新聞，但是這種東西很少會(huì)像一些小視頻一些相互交流，大家可能都是偷摸玩耍。所以豬哥相信其實(shí)大部分同學(xué)并沒有親身體驗(yàn)過充氣娃娃到底是什么感覺（包括豬哥），所以豬哥很好奇究竟是什么一種體驗(yàn)？真的如傳言中那樣爽嗎？

二、功能描述

基于很多人沒有體驗(yàn)過充氣娃娃是什么感覺，但是又很好奇，所以希望通過 爬蟲+數(shù)據(jù)分析 的方式直觀而真實(shí)的告訴大家（下圖為成品圖）。

三、技術(shù)方案

為了實(shí)現(xiàn)上面的需求以及功能，我們來討論下具體的技術(shù)實(shí)現(xiàn)方案：

1. 分析某東評論數(shù)據(jù)請求

2. 使用requests庫抓取某東的充氣娃娃評論

3. 使用詞云做數(shù)據(jù)展示

四、技術(shù)實(shí)現(xiàn)

上篇文章中就給大家說過，今天我們以某東商品編號(hào)為： 1263013576 的商品為對象，進(jìn)行數(shù)據(jù)分析，我們來看看詳細(xì)的技術(shù)實(shí)現(xiàn)步驟吧！

本教程只為學(xué)習(xí)交流，不得用于商用獲利，后果自負(fù)！
如有侵權(quán)或者對任何公司或個(gè)人造成不利影響，請告知?jiǎng)h除

1.分析并獲取評論接口的URL

第一步：打開某東的商品頁，搜索你想研究的商品。

第二步：我們在頁面中鼠標(biāo)右鍵選擇檢查（或F12）調(diào)出瀏覽器的調(diào)試窗口。

第三步：調(diào)出瀏覽器后點(diǎn)擊評論按鈕使其加載數(shù)據(jù)，然后我們點(diǎn)擊network查看數(shù)據(jù)。

第四步：查找加載評論數(shù)據(jù)的請求url，我們可以使用某條評論中的一段話，然后在調(diào)試窗口中搜索。


經(jīng)過上面4步分析，我們就拿到了京東評論數(shù)據(jù)的接口：https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv4654&productId=1263013576&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1

productPageComments：看這個(gè)名字就知道是產(chǎn)品頁評論

2.爬取評論數(shù)據(jù)

拿到評論數(shù)據(jù)接口url之后，我們就可以開始寫代碼抓取數(shù)據(jù)了。一般我們會(huì)先嘗試抓取一條數(shù)據(jù)，成功之后，我們再去分析如何實(shí)現(xiàn)大量抓取。

上一篇我們已經(jīng)講解了如何使用requests庫發(fā)起http/s請求，我們來看看代碼

但是在打印的結(jié)果中數(shù)據(jù)卻是空？為何瀏覽器請求成功，而我們的代碼卻請求不到數(shù)據(jù)呢？難道我們遇到了反爬？這種情況下如何解決？

大家在遇到這種情況時(shí)，回到瀏覽器的調(diào)試窗口，查看下瀏覽器發(fā)起的請求頭，因?yàn)榭赡転g覽器請求時(shí)攜帶了什么請求頭參數(shù)而我們代碼中沒有。

果然，我們在瀏覽器頭中看到了有兩個(gè)請求頭 Referer 和 User-Agent ，那我們先把他們加到代碼的請求頭中，再試試！

3.數(shù)據(jù)提取

我們對爬取的數(shù)據(jù)分析發(fā)現(xiàn)，此數(shù)據(jù)為jsonp跨域請求返回的json結(jié)果，所以我們只要把前面的 fetchJSON_comment98vv4646( 和最后的 ) 去掉就拿到j(luò)son數(shù)據(jù)了。

將json數(shù)據(jù)復(fù)制到j(luò)son格式化工具中或者在Chrome瀏覽器調(diào)試窗口點(diǎn)擊 Preview 也可以看到，json數(shù)據(jù)中有一個(gè)key為 comments 的值便是我們想要的評論數(shù)據(jù)。

我們再對comments值進(jìn)行分析發(fā)現(xiàn)是一個(gè)有多條數(shù)據(jù)的列表，而列表里的每一項(xiàng)就是每個(gè)評論對象，包含了評論的內(nèi)容，時(shí)間，id，評價(jià)來源等等信息，而其中的 content 字段便是我們在頁面看到的用戶評價(jià)內(nèi)容。

那我們來用代碼將每個(gè)評價(jià)對象的 content 字段提取并打印出來

4.數(shù)據(jù)保存

數(shù)據(jù)提取后我們需要將他們保存起來，一般保存數(shù)據(jù)的格式主要有：文件、數(shù)據(jù)庫、內(nèi)存這三大類。今天我們就將數(shù)據(jù)保存為txt文件格式，因?yàn)椴僮魑募鄬唵瓮瑫r(shí)也能滿足我們的后續(xù)數(shù)據(jù)分析的需求。

然后我們查看一下生成的文件內(nèi)容是否正確

5.批量爬取

再完成一頁數(shù)據(jù)爬取、提取、保存之后，我們來研究一下如何批量抓取？

做過web的同學(xué)可能知道，有一項(xiàng)功能是我們必須要做的，那便是分頁。何為分頁？為何要做分頁？

我們在瀏覽很多網(wǎng)頁的時(shí)候常常看到“下一頁”這樣的字眼，其實(shí)這就是使用了分頁技術(shù)，因?yàn)橄蛴脩粽故緮?shù)據(jù)時(shí)不可能把所有的數(shù)據(jù)一次性展示，所以采用分頁技術(shù)，一頁一頁的展示出來。

讓我們再回到最開始的加載評論數(shù)據(jù)的url：

https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv4654&productId=1263013576&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1

我們可以看到鏈接里面有兩個(gè)參數(shù) page=0&pageSize=10 ，page表示當(dāng)前的頁數(shù)，pageSize表示每頁多少條，那這兩個(gè)數(shù)據(jù)直接去數(shù)據(jù)庫limit數(shù)據(jù)。

老司機(jī)一眼便可以看出這就是分頁的參數(shù)，但是有同學(xué)會(huì)說：如果我是老司機(jī)還干嘛看你的文章？所以 我教大家如何來找到這個(gè)分頁參數(shù) 。

回到某東的商品頁，我們將評價(jià)頁面拉到最底下，發(fā)現(xiàn)有分頁的按鈕，然后我們在調(diào)試窗口清空之前的請求記錄。

清空之前的請求記錄之后，我們點(diǎn)擊上圖紅框分頁按鈕的數(shù)字2，代表這第二頁，然后復(fù)制第一條評價(jià)去調(diào)試窗口搜索，最后找到請求鏈接。

然后我們點(diǎn)擊 Headers 查看第二頁請求數(shù)據(jù)的url

然后我們比較第一頁評價(jià)與第二頁評價(jià)的url有何區(qū)別

這里也就驗(yàn)證了豬哥的猜想：page表示當(dāng)前的頁數(shù)，pageSize表示每頁多少條。而且我們還能得出另一個(gè)結(jié)論：第一個(gè)page=0，第二頁page=1 然后依次往后。有同學(xué)會(huì)問：為什么第一頁不是1，而是0，因?yàn)樵跀?shù)據(jù)庫中一般的都是從0開始計(jì)數(shù)，編程行業(yè)很多數(shù)組列表都是從0開始計(jì)數(shù)。

好了，知道分頁規(guī)律之后，我們只要在每次請求時(shí)將page參數(shù)遞增不就可以批量抓取了嗎？我們來寫代碼吧！

簡單講解一下做的改動(dòng)：

1. 對 spider_comment 方法增加入?yún)? page ：

   頁數(shù)，然后在url中增加占位符，這樣就可以動(dòng)態(tài)修改url，爬取指定的頁數(shù)。

2. 增加一個(gè) batch_spider_comment 方法，循環(huán)調(diào)用 spider_comment 方法，暫定爬取100頁。

3. 在 batch_spider_comment 方法的for循環(huán)中設(shè)置了一個(gè)隨機(jī)的休眠時(shí)間，意在模擬用戶瀏覽，防止因?yàn)榕廊√l繁被封ip。

爬取完成之后檢查成果

6.數(shù)據(jù)清洗

數(shù)據(jù)成功保存之后我們需要對數(shù)據(jù)進(jìn)行分詞清洗，對于分詞我們使用著名的分詞庫 jieba 。
首先是安裝jieba庫：

pip3 install jieba

當(dāng)然這里你還可以對一些介詞等無效詞進(jìn)行剔除，這樣可以避免無效數(shù)據(jù)。

7.生成詞云

生成詞云我們需要用到 numpy 、 matplotlib 、 wordcloud 、 Pillow 這幾個(gè)庫，大家先自行下載。 matplotlib 庫用于圖像處理， wordcloud 庫用于生成詞云。

注意：font_path是選擇字體的路徑，如果不設(shè)置默認(rèn)字體可能不支持中文，豬哥選擇的是Mac系統(tǒng)自帶的宋體字！

最終結(jié)果：

我們來看看全代碼

五、總結(jié)

因考慮新手的友好性，文章篇幅較長，詳細(xì)的介紹了從需求到技術(shù)分析、爬取數(shù)據(jù)、清洗數(shù)據(jù)、最后的分析數(shù)據(jù)。我們來總結(jié)一下本篇文章學(xué)到的東西吧：

1. 如何分析并找出加載數(shù)據(jù)的url

2. 如何使用requests庫的headers解決 Referer 和 User-Agent 反扒技術(shù)

3. 如何找出分頁參數(shù)實(shí)現(xiàn)批量爬取

4. 設(shè)置一個(gè)爬蟲間隔時(shí)間防止被封ip
   

5. 數(shù)據(jù)的提取與保存到文件

6. 使用jieba庫對數(shù)據(jù)分詞清洗

7. 使用wordcloud生成指定形狀的詞云

這是一套完整的數(shù)據(jù)分析案例，希望大家能自己動(dòng)手嘗試，去探索更多有趣的案例，做個(gè)有趣的人～

在公眾號(hào)，在后臺(tái)回復(fù)關(guān)鍵字： 666 ，可以獲取一份程序員大禮包！

---END---

選擇” 開發(fā)者技術(shù)前線 ?“星標(biāo) ，內(nèi)容一觸即達(dá)。點(diǎn)擊原文更多驚喜！

開發(fā)者技術(shù)前線 ?匯集技術(shù)前線快訊和關(guān)注行業(yè)趨勢，大廠干貨，是開發(fā)者經(jīng)歷和成長的優(yōu)秀指南。

歷史推薦

逆襲FLutter? Facebook 發(fā)布全新跨平臺(tái)引擎 Hermes！

字節(jié)跳動(dòng)高工面試記，已拿 Offer 入職!

字節(jié)跳動(dòng) CEO 張一鳴炮轟 HR , “按這要求我自己都進(jìn)不來!”

點(diǎn)個(gè)在看，解鎖更多驚喜！