Python网络爬虫笔记（五）：下载、分析京东P20销售数据

(一)  分析网页

下载下面这个链接的销售数据

https://item.jd.com/6733026.html#comment

1、      翻页的时候，谷歌F12的Network页签可以看到下面的请求。（这里的翻页指商品评价中1、2、3页等）

从Preview页签可以看出，这个请求是获取评论信息的

2、      对比第一页、第二页、第三页…请求URL的区别

可以发现 page=0、page=1，0和1指的应该是页数。

第一页的 request url：没有这个rid=0& 。 第二、三页…的request url：多了这个rid=0&

除了上面这2个地方,其他内容都是一样的。

3、      直接在浏览器输入 复制出来的request url，可以看到评论、颜色、版本、内存信息，代码将根据这些信息来写正则表达式进行匹配。

(二)  实现代码

delayed.py的代码和我前面发的是一样的(Python网络爬虫笔记（二）),不限速的话把和这个模块相关的代码删除就行了

 import urllib.request as ure
 import urllib.parse
 import openpyxl
 import re
 import os
 from delayed import WaitFor
 def download(url,user_agent='FireDrich',num=2,proxy=None):
     print('下载:'+url)
     #设置用户代理
     headers = {'user_agent':user_agent}
     request = ure.Request(url,headers=headers)
     #支持代理
     opener = ure.build_opener()
     if proxy:
         proxy_params = {urllib.parse.urlparse(url).scheme: proxy}
         opener.add_handler(ure.ProxyHandler(proxy_params))
     try:
         #下载网页
         # html = ure.urlopen(request).read()
         html = opener.open(request).read()
     except ure.URLError as e:
         print('下载失败'+e.reason)
         html=None
         if num>0:
             #遇到5XX错误时，递归调用自身重试下载，最多重复2次
             if hasattr(e,'code') and 500<=e.code<600:
                 return download(url,num=num-1)
     return html
 def writeXls(sale_list):
     #如果Excel不存在，创建Excel，否则直接打开已经存在文档
     if 'P20销售情况.xlsx' not in os.listdir():
         wb =openpyxl.Workbook()
     else:
         wb =openpyxl.load_workbook('P20销售情况.xlsx')
     sheet = wb['Sheet']
     sheet['A1'] = '颜色'
     sheet['B1'] = '版本'
     sheet['C1'] = '内存'
     sheet['D1'] = '评论'
     sheet['E1'] = '评论时间'
     x = 2
     #迭代所有销售信息（列表）
     for s in sale_list:
         #获取颜色等信息
         content = s[0]
         creationTime = s[1]
         productColor = s[2]
         productSize = s[3]
         saleValue = s[4]
         # 将颜色等信息添加到Excel
         sheet['A' + str(x)] = productColor
         sheet['B' + str(x)] = productSize
         sheet['C' + str(x)] = saleValue
         sheet['D' + str(x)] = content
         sheet['E' + str(x)] = creationTime
         x += 1
     wb.save('P20销售情况.xlsx')

 page = 0
 allSale =[]
 waitFor = WaitFor(2)
 #预编译匹配颜色、版本、内存等信息的正则表达式
 regex = re.compile('"content":"(.*?)","creationTime":"(.*?)".*?"productColor":"(.*?)","productSize":"(.*?)".*?"saleValue":"(.*?)"')
 #这里只下载20页数据，可以设置大一些（因为就算没评论信息，也能下载到一些标签信息等，所以可以if 正则没匹配的话就结束循环，当然，下面没处理这个）
 while page<20:
     if page==0:
         url = 'https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv176&productId=6733026&score=0&sortType=5&page=' + str(page) + '&pageSize=10&isShadowSku=0&fold=1'
     else:
         url = 'https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv176&productId=6733026&score=0&sortType=5&page=' + str(page) + '&pageSize=10&isShadowSku=0&rid=0&fold=1'
     waitFor.wait(url)
     html = download(url)
     html = html.decode('GBK')
     #以列表形式返回颜色、版本、内存等信息
     sale = regex.findall(html)
     #将颜色、版本、内存等信息添加到allSale中（扩展allSale列表）
     allSale.extend(sale)
     page += 1

 writeXls(allSale)

(三)  数据分析

1、      下载后的数据如下图所示。

2、      生成图表。

我的博客即将搬运同步至腾讯云+社区，邀请大家一同入驻：https://cloud.tencent.com/developer/support-plan?invite_code=3ff1njli6hwk0