crdownload（crdownload文件用什么打开）

一、项目说明

1.项目背景

一天，一朋友扔给我一个链接https://c.quk.cc/2/b6/uh2a1zi40t5

京东某商品评论

但是仔细一看，原来有234万+的评论是默认好评，还是有少部分是有价值的评价的。
经过进一步观察，可以看到

商品评论翻页

显然，网页中显示的只有100页数据，每页显示10条，通常可以用selenium点击每一页然后获取，但是这样效率是不是太低了呢？还是直接用requests来得更直接，很多情况下网页显示的数据是请求得到的JSON数据在网页上渲染而显示出来的，京东的评论会不会也是这样呢？好，说干就干！！！

2.项目环境

这个小项目使用Python爬取，不需要太多的配置，只需要安装requests库就足够 ，我相信对于很多玩爬虫的小伙伴来说这个库肯定是必备的，没装requests不要告诉我你会爬虫 。

二、项目实施

1.项目分析

上面说到，网页中的数据很多都是通过渲染请求到的JSON数据得到的，那么我们就来看看京东是不是也是这样的。利用浏览器的审计工具，选择Network栏，可以看到

商品评论总体概况

仔细查看，寻找链接中于评论（comment）有关的链接，可以找到其中的一个请求链接https://c.quk.cc/2/b6/bxagdcfxoci.action >https://c.quk.cc/2/b6/ju5mvvhtvt4.action

评论详情概览

后边有10条评论，应该就是该商品对应的第一页评论了，点开查看，如下：

评论数据详情

对比网页中显示的评论可以看到，这就就是我们要找的东西。
由于得到的数据不是标准格式的JSON，所以我选择使用正则表达式来获取相关的内容。
现在还有一个问题，我们只获得了1页评论，那怎么获取所有的评论呢？会不会秘密隐藏在链接中呢？
对于链接https://c.quk.cc/2/b6/0apconfh0fn.action >https://c.quk.cc/2/b6/owwcyzgpqob />现在分析工作已经做的差不多了，可以开始码代码了。

2.代码实现

导入模块和定义常量

importre
importtime
importcsv
importos
importrequests
importhtml
#设置请求头
headers={
'cookie':'shshshfp=22dd633052035d21be92463ffa35684d;shshshfpa=ab283f84-c40f-9710-db89-84a8d3366a81-1586333030;__jda=122270672.1586333031101106032014.1586333031.1586333031.1586333031.1;__jdv=122270672|direct|-|none|-|1586333031103;__jdc=122270672;shshshfpb=bUe7tI9%2FOOaJKd7vP0EtSOg%3D%3D;__jdu=1586333031101106032014;areaId=22;ipLoc-djd=22-1977-1980-0;3AB9D23F7A4B3C9B=7XEQD4BFTGEH44EK7LN7HLFCHJW6W2NS5VJOQOCHABZVI7LXJJIW3K2IX5MTPZ4TBERBLY6TRQR5CA3S3IYVLQ2JGI;jwotest_product=99;shshshsID=a7457cee6a4a9fa285fe2cff44c6bd17_4_1586333142454;__jdb=122270672.4.1586333031101106032014|1.1586333031;JSESSIONID=8C21549A613B83F0CB86EF1F38FD63D3.s1',
'sec-fetch-dest':'document',
'sec-fetch-mode':'navigate',
'sec-fetch-site':'none',
'sec-fetch-user':'?1',
'upgrade-insecure-requests':'1',
'User-Agent':'Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/80.0.3987.162Safari/537.36'
}

导入需要使用到的模块，并且定义请求头用于请求，减少被反爬的概率。

爬取评论主体函数

defcomment_crawl(page,writer):
'''爬取评论'''
print('当前正在下载第%d页评论'%(page+1))
url='https://c.quk.cc/2/b6/whilriwqeos.action
#请求链接获取数据
text=requests.get(url,headers=headers).text
#正则表达式匹配数据
comment_list=re.findall(
r'guid":".*?"content":"(.*?)".*?"creationTime":"(.*?)",".*?"replyCount":(d+),"score":(d+).*?usefulVoteCount":(d+).*?imageCount":(d+).*?images":',
text)
forresultincomment_list:
#根据正则表达式结果匹配数据
content=html.unescape(result[0]).replace('n','')
comment_time=result[1]
reply_count=result[2]
score=result[3]
vote_count=result[4]
image_count=result[5]
#写入数据
writer.writerow((comment_time,score,reply_count,vote_count,image_count,content))

这是爬取评论的主体部分，在请求获取到数据后，通过正则表达式匹配到所需内容。这里有一个注意点，html.unescape(result[0])是为了将评论内容的HTML转义字符如…等转化成普通字符串，这样数据更完整清晰。

主函数

if__name__=='__main__':
'''主函数'''
start=time.time()
ifos.path.exists('DATA.csv'):
os.remove('DATA.csv')
withopen('DATA.csv','a+',newline='',encoding='gb18030')asf:
writer=csv.writer(f)
writer.writerow(('留言时间','评分','回复数','点赞数','图片数','评论内容'))
forpageinrange(100):
comment_crawl(page,writer)
run_time=time.time()-start
print('运行时间为%d分钟%d秒。'%(run_time//60,run_time%60))

主函数创建文件用于保存数据，并对程序计时，以观察执行效率。

三、项目分析和说明

1.运行测试

整个小项目很简单，重点在分析过程和思路，只要分析好了，代码实现就很容易。一次测试的示意如下：

京东评论爬取单线程运行

效率还是很不错的，23秒内获取了近千条评论。
数据部分截图如下：

京东评论数据

如果需要获取其他商品评论在代码中直接更改函数中url的productId即可。
完整代码可点击https://download.csdn.net/download/CUFEECR/12323279下载。

2.改进分析

采用的是单线程，在数据较少时尚可，一旦需要爬取的评论较多时，可能会有效率上的瓶颈，因此可以用多线程或多进程，主函数中改进如下：

pool=ThreadPoolExecutor(3)
...
forpageinrange(100):
pool.submit(comment_crawl,page,data_list)

代码可点击https://download.csdn.net/download/CUFEECR/12323373下载学习。演示如下：

京东评论爬取多线程运行

运行时间缩短了三分之一左右，显然大大提高了效率。

因为京东的反爬措施较少，因此对反爬的防范措施也较少，爬取较少尚可，如果需求较高时，肯定会触发反爬机制，从而导致爬取失败。 扩展性还有待提高，目前只是爬取了京东商品评论，但是对于别的电商平台如淘宝就很难搞了，这对代码提出了进一步要求。

3.其他说明

本项目仅限学习和技术交流之用，不得用于恶意爬虫、非法牟利等用途，违者责任自负。 如侵犯他人利益，请联系删改。