京东商品评论太多(带你一键爬取京东商品评论)

一、项目说明

1.项目背景

一天，一朋友扔给我一个链接https://item.jd.com/100000499657.html，让我看看这个歌商品的所有评论怎么抓取，我打开一看，好家伙，竟然有近300万条评论，不是一个小数目啊。

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://club.jd.com/comment/productCommentSummaries.action?referenceIds=100000499657&callback=jQuery1951081&_=1586669401777，如上图。这是关于该商品评论的整体情况的，可以看到具体的总评论数、默认好评数、好评数、好评率等，虽然不是我们想要的，但是也近了一步，继续寻找，又找到了一条带comment字眼的链接https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId=100000499657&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1，如图

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://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId=100000499657&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1，显然有很多参数，不难找到，有参数productId和page，如果猜得不错，应该是商品id和评论页数(从0开始)，这时，换一个商品id，那么商品id怎么获得呢？举个例子，在链接https://item.jd.com/100000499657.html中，商品id就是100000499657。另找一个商品，将其商品id替换掉评论链接中的productId，获得的正是该商品的第一页评论。现在尝试翻页，逐渐增大page参数的值，如1、2、3…，也能获取到对应页的评论数据。

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

import reimport timeimport csvimport osimport requestsimport html# 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 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.162 Safari/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。