python写爬虫爬取京东商品信息

工具库

爬虫有两种方案：

• 第一种方式是使用request模拟请求，并使用bs4解析respond得到数据。
• 第二种是使用selenium和无头浏览器，selenium自动化操作无头浏览器，由无头浏览器实现请求，对得到的数据进行解析。

  第一种方案部署简单，效率高，对于静态页面效果较好，对于动态页面效果较差。【可以理解为直接与服务器对接，申请什么数据完全由你自己来决定】

  对于网页来说，可以分为静态网页和动态网页，二者的区别是静态网页是对于你的申请切切实实存在一个html网页文件，将这个文件发给你，你浏览器进行渲染。而动态网页则是存在一个服务器框架，处理你的请求，临时组合成一个html网页发给你，你浏览器进行渲染，你得到的是服务器框架的产物。

  因此网页的数据来源也可以分为：

  1、静态网页内的，

  2、通过Ajax接口申请的，例如商品的评价数量，加载网页时不随网页一块儿得到，而是额外申请

  3、通过JS脚本运行+Ajax接口申请的，例如商品的具体评价，只有你点评论栏，JS脚本才会向服务器申请数据

  第二种方案部署稍微麻烦，需要安装无头浏览器，但是爬取效果较好，因为是真实的浏览器申请，selenium是模拟真人进行操作，对于反爬虫效果较好。

  本文使用的是第一种，所需的工具库：

  Python库：

  Beautifulsoup

  request

  json

  方法：

  1、登录京东，获取登录cookie

  2、搜索，得到搜索链接

  3、使用request向搜索链接发送请求，得到respond

  4、使用bs4解析respond

  5、定位想要的数据所在的tag

  6、对于一些动态数据，在浏览器开发者工具的network中找到相应的服务器地址，使用request模拟请求，并使用json解析服务器的respond

  代码

  import requests, jsonfrom bs4 import BeautifulSoup# 基类，后续可以在此之上扩展class AbstractWebPage:    def __init__(self, cookie, use_cookie=True):        if use_cookie:            self.headers = {                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '                              'Chrome/80.0.3987.149 Safari/537.36',                'cookie': cookie}        else:            self.headers = {                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '                              'Chrome/80.0.3987.149 Safari/537.36'            }        self.sess = requests.session()        self.sess.headers.update(self.headers)# 目录类，用来表示搜索结果class Content(AbstractWebPage):    def __init__(self, cookie, keyword, end_page):        super(Content, self).__init__(cookie)        start_url = 'https://search.jd.com/Search?keyword=' + keyword + '&enc=utf-8&wq=' + keyword        self.url_list = [start_url + '&page=' + str(j) for j in range(1, end_page + 1)]        self.end_page = end_page    def print(self):        print(self.url_list, sep='\n')    def get_item_info(self):        item_pages_list = []        with open("good_info.txt", 'w', encoding='utf-8') as f:            f.write("产品名称" + '\t' + '价格' + '\t' + '销量' + '\t' '店铺' + '\n')            f.write("*" * 50 + '\n')            for url in self.url_list:                res = self.sess.get(url)                res.encoding = 'utf-8'                res = res.text                # 定位搜索结果主体，并获取所有的商品的标签                soup = BeautifulSoup(res, 'html.parser').select('#J_goodsList > ul')                good_list = soup[0].select('[class=gl-i-wrap]')                # 循环获取所有商品信息                for temp in good_list:                    # 获取名称信息                    name_p = temp.select_one('[]')                    good_info = name_p.text.strip() + '\t'                    # 价格信息                    price_p = temp.select_one('[class=p-price]')                    good_info += price_p.text.strip() + '\t'                    # 评价信息                    comment_p = temp.select_one('[class=p-commit]').find('strong').find('a')                    comment_url = comment_p.get('href')                    good_id = comment_url.replace('//item.jd.com/', '').replace('.html#comment', '')                    # 评价信息没有在主页面内，而是需要另外发送GET获取，服务器地址如下                    # 这里面的uuid是唯一标识符，如果运行程序发现报错或者没有得到想要的结果                    # commit_start_url = f'https://api.m.jd.com/?appid=item-v3&functionId' \                    #                    '=pc_club_productCommentSummaries&client=pc&clientVersion=1.0.0&t' \                    #                    f'=1711091114924&referenceIds={good_id}&categoryIds=9987%2C653%2C655' \                    #                    '&loginType=3&bbtf=&shield=&uuid=181111935.1679801589641754328424.1679801589' \                    #                    '.1711082862.1711087044.29'                    commit_start_url = f'https://api.m.jd.com/?appid=item-v3&functionId' \                                       '=pc_club_productCommentSummaries&client=pc&clientVersion=1.0.0&t' \                                       f'=1711091114924&referenceIds={good_id}&categoryIds=9987%2C653%2C655'                    # 发送请求，得到结果                    comment_res = self.sess.get(commit_start_url)                    # 编码方式是GBK国标编码                    comment_res.encoding = 'gbk'                    comment_res_json = comment_res.json()                    # 解析得到评论数量                    good_info += comment_res_json['CommentsCount'][0]['CommentCountStr'] + '\t'                    # 店铺信息                    shop_p = temp.select_one('[class=p-shop]')                    good_info += shop_p.get_text().strip() + '\t'                    f.write(good_info + '\n')                    f.write("*" * 50 + '\n')            f.close()        return item_pages_listif __name__ == "__main__":    # cookie，用于验证登录状态，必须要有cookie，否则京东会提示网络繁忙请重试    # 获取方法：使用浏览器登录过后按F12，点击弹出界面中最上方的network选项，name栏里面随便点开一个，拉到最下面就有cookie，复制到cookie.txt中    # 注意，不要换行，前后不要有空格，只需要复制cookie的值，不需要复制“cookie：”这几个字符    # 上面的看不懂的话，看这个：https://blog.csdn.net/qq_46047971/article/details/121694916    # 然后就可以运行程序了    cookie_str = ''    with open('cookie.txt') as f:        cookie_str = f.readline()        # 输入cookie，关键词，输入结束页数    content_page = Content(cookie_str, '手机', 2)    content_page.print()    urls = content_page.get_item_info()