1 安裝開發(fā)需要的一些庫

(1) 安裝mysql 的驅動：在Windows上按win+r輸入cmd打開命令行，輸入命令pip install pymysql，回車即可。

(2) 安裝自動化測試的驅動selenium：在命令行中輸入pip install selenium回車。

(3) 安裝標簽解析庫pyquery: 在命令行中輸入pip install pyquery回車。

(4) Anaconda指的是一個開源的Python發(fā)行版本，其包含了conda、Python等180多個科學包及其依賴項，下載anaconda，安裝后配置環(huán)境變量，在path中添加E:\Anaconda3\anaconda\Library\bin，重啟電腦使環(huán)境變量生效，安裝jieba庫，在命令行中輸入pip install jieba回車。

index.html，并將chromedriver.exe放在Python安裝目錄的Scripts文件夾下。

2.實現(xiàn)

2.1 搜索模塊

搜索功能即一個數(shù)據(jù)框和一個搜索按鈕組成，點擊搜索之后會跳轉到顯示框的界面，之后點擊爬取數(shù)據(jù)可以在淘寶網(wǎng)站中對該商品進行搜索，并且爬取相關店鋪的信息，并儲存到數(shù)據(jù)庫中。

界面顯示用到Tkinter庫，Tkinter 是 Python 的標準 GUI 庫。Python 使用 Tkinter 可以快速的創(chuàng)建 GUI 應用程序。

搜索主要用到selenium，也就是自動化測試工具，測試中根據(jù)pyquery中的提供的方法，在得到網(wǎng)頁源碼的情況下，根據(jù)HTML中的標簽找到輸入框，搜索按鈕和翻頁的按鈕，模擬人工輸入和點擊，實現(xiàn)自動化控制，最后根據(jù)標簽提取出相應的信息插入數(shù)據(jù)庫中。

因為每個網(wǎng)站因網(wǎng)速的的問題都有響應時間，用WebDriverWait(driver,50)設置響應時間為50s，也就是響應超過50s便出現(xiàn)異常。提取數(shù)據(jù)時我用的是find_element_by_css_selector()方法，也就是標簽選擇器，可以定位到相應的區(qū)域。

Python連接數(shù)據(jù)庫用到pymysql，PyMySQL 是在 Python3.x 版本中用于連接 MySQL 服務器的一個庫。當?shù)玫綐祟}，店鋪名稱，地點，購買人數(shù)，店鋪鏈接時，以“|”分割拼接成字符串，作為參數(shù)傳遞給insert_data()方法，插入到數(shù)據(jù)庫中。因為可能會有異常，所以放到try塊中。

爬取數(shù)據(jù)的實現(xiàn)主要是用到了Pyquery、selenium庫，以下代碼主要實現(xiàn)了對淘寶的檢索、翻頁和對數(shù)據(jù)的提取。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

# 設置網(wǎng)站最大響應時間

wait=WebDriverWait(driver,50)

class TaoBaoSearch:

# 初始化，默認搜索為None，創(chuàng)建數(shù)據(jù)庫連接

def __init__(self,search=None):

self.name=search

self.mysql=to.Data_oper()

# 對淘寶網(wǎng)的搜索

def search(self):

# 設置源網(wǎng)站，這里設置淘寶網(wǎng)站為源網(wǎng)站

driver.get("https://www.taobao.com/")#J_TSearchForm > div.search-button > button

# “q”為淘寶首頁輸入框的標簽，這里定位到該輸入框，并設置要搜索商品的名字

imput=driver.find_element_by_id("q")

imput.send_keys(self.name)

# wait.until()該方法的作用是加載出來搜索結果總頁數(shù)之后開始往下執(zhí)行

pageText=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,"#mainsrp-pager > div > div > div > div.total")))

total=re.search("\d+",pageText.text)

# 該方法返回搜索結果的總頁數(shù)

return total.group(0)

# 提取出相應的數(shù)據(jù)

def parseHtml(self):

html=driver.page_source#獲取網(wǎng)頁源代碼

doc=qp(html)

# 得到到class為m-itemlist下面的class是.items .item的div

iteams=doc(".m-itemlist .items .item").items()

# 根據(jù)標簽選擇器提取出需要的數(shù)據(jù)

for itemin iteams:

# src=item(".pic .img").attr("src")

src=item(".row .J_ClickStat").attr("href")# 該店鋪的鏈接

person=item(".row .deal-cnt").text()#購買該商品的人數(shù)

title=item(".row .J_ClickStat").text().split("\n")# 標題

shop=item(".row .shopname").text()# 商品

location=item(".row .location").text()# 地區(qū)

# 將提取到的數(shù)據(jù)放到數(shù)組中保存起來

data=[]

data.append(str(title[0].strip()))

data.append(str(shop.strip()))

data.append(str(location.strip()))

# 剔除無用字

data.append(str(person[:-3].strip()))

data.append(str(src).strip())

# 調(diào)用mysql.insert_data()方法將提取到的數(shù)據(jù)插入到數(shù)據(jù)庫中

self.mysql.insert_data(data)

# 對網(wǎng)頁進行翻頁的方法

def nextpage(self,pagenumber):

# 定位到翻頁的按鈕前的輸入框，也就是對其進行跳轉

pageInput=driver.find_element_by_css_selector("#mainsrp-pager > div > div > div > div.form > input")

pageInput.clear()

pageInput.send_keys(pagenumber)

# 定位到跳轉按鈕，對其進行翻頁

pageButton=driver.find_element_by_css_selector("#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit")

pageButton.click()

wait.until(EC.text_to_be_present_in_element((By.CSS_SELECTOR,"#mainsrp-pager > div > div > div > ul > li.item.active > span"),str(pagenumber)))

self.parseHtml()

# 定義主函數(shù)，調(diào)用上面的的方法

def main(self):

total=int(self.search())

for iin range(2,total):

self.nextpage(i)

self.mysql.close()

2.2 顯示模塊

當點擊搜索之后，考慮到可能搜索的商品會有本地儲存，所以沒有對其直接搜索，而是在顯示框中增加了一個爬取數(shù)據(jù)的按鈕，該按鈕即對商品進行搜索，而本地數(shù)據(jù)就是對數(shù)據(jù)庫的data表進行查詢，并將數(shù)據(jù)顯示到界面上來。排序是對本地數(shù)據(jù)按購買人數(shù)進行排序，并顯示在文本框中，在顯示行數(shù)后面輸入數(shù)字后，可以控制文本框的顯示條數(shù)，默認顯示10條。一鍵刪除即把data表中的數(shù)據(jù)清空。

本地數(shù)據(jù)：對數(shù)據(jù)庫中的data表進行查詢，并將信息顯示到文本框中，其中每條數(shù)據(jù)中間以“——”分開，每個字段之間以“|”分隔，因為考慮到店鋪名稱或是標題太長而不整齊，所以每個字段顯示10個字符。

排序：當點擊排序之后，會查詢出數(shù)據(jù)庫中每條數(shù)據(jù)的購買人數(shù)和店鋪名稱，并且以“，”分割拼接成字符串，設置一個元組(即數(shù)組性質)，并根據(jù)用戶輸入的顯示行數(shù)，控制元組的長度，具體實現(xiàn)：根據(jù)從數(shù)據(jù)庫中得到的數(shù)據(jù)，每條每條的讀取，當讀取條數(shù)達到用戶輸入的顯示行數(shù)的值，對元組中的數(shù)據(jù)用sort(reverse=True)對其進行從大到小排序：原理是：因購買人數(shù)一個月不超過一百萬，所以得到的購買人數(shù)的最大長度為6位，這樣，當每次讀取的購買人數(shù)的長度不夠6位時，在其前面補0，這樣，購買人數(shù)的長度都為6，對其拼接的格式為“購買人數(shù)，店鋪名稱”，因為拼接后為字符串類型，所以用shot排序時會根據(jù)前面的購買人數(shù)進行字典序進行排序，進而前n條數(shù)據(jù)就排好序了，接著，每讀取一條數(shù)據(jù)就對元組中最后一個數(shù)據(jù)進行比較，若是大于其數(shù)值，就插入到元組中，最后返回元組，這樣，就實現(xiàn)了顯示n條購買人數(shù)最多的數(shù)據(jù)。清除數(shù)據(jù)：對文本框中的數(shù)據(jù)進行清空，同時，刪除data表中的數(shù)據(jù)。

以下代碼是一個排序的算法，其主要作用是在界面上顯示多少行數(shù)據(jù)，主要思路為：根據(jù)用戶輸入的數(shù)字創(chuàng)建一個數(shù)組，讀取數(shù)據(jù)庫中得到數(shù)據(jù)，分離出來購買人數(shù)并轉換成int類型，將數(shù)據(jù)每次添加一個到數(shù)組中，當數(shù)組的長度等于用戶想要顯示最大行數(shù)時，對其數(shù)組中的數(shù)據(jù)從大到小進行排序，接下來，每當讀取一個數(shù)據(jù)之后，就對數(shù)組中最小的那個進行比較，如果比起小，就跳過，否則，對該數(shù)據(jù)進行插入操作，并刪除之前最小的那個數(shù)據(jù)，最后數(shù)組中保存的就是購買人數(shù)最多的前n條數(shù)據(jù)。

主要代碼如下：

#對數(shù)據(jù)進行排序，data為購買人數(shù)

def shot_data(self,data,i=10): # i為用戶想要顯示的最大行數(shù)，默認為10行

top=[]

if i>len(data):

i=len(data)

for x in data:

if len(top)

top.append(x)

if len(top)==i:

top.sort(reverse=True) # 數(shù)組內(nèi)的數(shù)據(jù)進行排序

else:

l=len(top)

y=len(top)

t=1

if x>top[l-1]: # 判斷其數(shù)值是否大于數(shù)組內(nèi)的最小值

while x>top[l-t] and y>0: # 控制循環(huán)條件

t+=1

y-=1

if y!=0: # y的值若是==0，那么該數(shù)值就是最大值

for c in range(1,t):

top[l-c]=top[l-c-1]

top[l-t+1]=x

else:

for c in range(1,t):

top[l-c]=top[l-c-1]

top[0]=x

return top # 返回裝有最大的前i個數(shù)的數(shù)組

2.3 評論模塊

點擊查看鏈接之后會出現(xiàn)一個搜索框，即根據(jù)店鋪名稱搜索出相關的連接，點擊查看評論之后可以對其店鋪進行爬取，最后顯示在評論框中。分析就是對評論進行關鍵詞提取，并按權重顯示出前n個詞。點擊查看評論進行自動化測試。

搜索店鋪鏈接：根據(jù)用戶輸入的信息對數(shù)據(jù)庫進行模糊查詢，返回所有的匹配信息。并顯示在文本框中。

爬取評論：首先清空comment表中的數(shù)據(jù)，根據(jù)curselection()方法得到用戶選中的鏈接，接著對該鏈接進行爬取，在進入該店鋪時，會提示需要登錄，這樣會對我們的自動化測試造成一定的阻礙，這里，我根據(jù)pyquery中提供的標簽選擇器，找到關閉按鈕，模擬點擊進行關閉，當進入店鋪后，依舊是先得到該網(wǎng)頁的源代碼，根據(jù)標簽選擇器進行相應的操作，爬取到的評論時間，評論和購買物品以“|”拼接成字符串，顯示到文本框的同時插入到數(shù)據(jù)庫中。

評論分析：jieba是Python的中文分詞組件。當查詢到comment表中所有數(shù)據(jù)時，將每一條數(shù)據(jù)拼接成一個字符串，接著用jieba.posseg中的cut()方法，將評論分割成單個詞并標注詞性，用startswith('a')、startswith('v')得到形容詞和動詞。最后用jieba.analyse.extract_t

ags(v,topK=10)方法得到動詞、形容詞中權重較大的前10個詞。

以下代碼是對評論進行關鍵詞的提取，用到了jieba庫中的一些方法。

主要代碼如下：

def dis_an(self):

# 清空顯示界面

self.txtMess.delete(1.0,END)

t=to.Data_oper()

# 得到數(shù)據(jù)庫中的存儲信息

test=t.dis_only_discuss()

# 定義字符串a(chǎn)dg，v

adg=""

v=""

# 對評論進行分割并標注詞性

word=psg.cut(test)

# w為詞意，f為詞性

for w,f in word:

# 判斷詞性是否為形容詞

if f.startswith('a'):

print(w)

adg=adg+","+w

# 判斷詞性是否為動詞

elif f.startswith('v'):

v=v+","+w

# 根據(jù)該詞的權重提取出前5個詞

tags=jieba.analyse.extract_tags(adg,topK=5)

tags1=jieba.analyse.extract_tags(v,topK=5)

總結

以上是生活随笔為你收集整理的python爬虫淘宝评论_Python爬取淘宝店铺和评论的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。