【Python爬虫案例学习】Python爬取淘宝店铺和评论

安装开发需要的一些库

(1) 安装mysql 的驱动：在windows上按win+r输入cmd打开命令行，输入命令pip install pymysql，回车即可。

(2) 安装自动化测试的驱动selenium：在命令行中输入pip install selenium回车。

(3) 安装标签解析库pyquery: 在命令行中输入pip install pyquery回车。

(4) anaconda指的是一个开源的python发行版本，其包含了conda、python等180多个科学包及其依赖项，下载anaconda，安装后配置环境变量，在path中添加e:\anaconda3\anaconda\library\bin，重启电脑使环境变量生效，安装jieba库，在命令行中输入pip install jieba回车。

(5) 下载chromedriver，官方网址为：

index.html，并将chromedriver.exe放在python安装目录的scripts文件夹下。

实现

• 爬取数据的实现主要是用到了pyquery、selenium库，以下代码主要实现了对淘宝的检索、翻页和对数据的提取。

'''
遇到不懂的问题？python学习交流群：821460695满足你的需求，资料都已经上传群文件，可以自行下载！
'''
# 设置网站最大响应时间
wait=webdriverwait(driver,50)
class taobaosearch:
# 初始化，默认搜索为none，创建数据库连接
    def __init__(self,search=none):
        self.name=search
        self.mysql=to.data_oper()
# 对淘宝网的搜索
    def search(self):
# 设置源网站，这里设置淘宝网站为源网站
        driver.get("https://www.taobao.com/")#j_tsearchform > div.search-button > button
# “q”为淘宝首页输入框的标签，这里定位到该输入框，并设置要搜索商品的名字
        imput=driver.find_element_by_id("q")
        imput.send_keys(self.name)
# wait.until()该方法的作用是加载出来搜索结果总页数之后开始往下执行
        pagetext=wait.until(ec.presence_of_element_located((by.css_selector,"#mainsrp-pager > div > div > div > div.total")))
        total=re.search("\d+",pagetext.text)
# 该方法返回搜索结果的总页数
        return total.group(0)
# 提取出相应的数据
    def parsehtml(self):
        html=driver.page_source#获取网页源代码
        doc=qp(html)
# 得到到class为m-itemlist下面的class是.items .item的div
        iteams=doc(".m-itemlist .items .item").items()
# 根据标签选择器提取出需要的数据
        for item in iteams:
            # src=item(".pic .img").attr("src")
            src=item(".row .j_clickstat").attr("href")  # 该店铺的链接
            person=item(".row .deal-cnt").text()    #购买该商品的人数
            title=item(".row .j_clickstat").text().split("\n")  # 标题
            shop=item(".row .shopname").text()  # 商品
            location=item(".row .location").text()  # 地区
       # 将提取到的数据放到数组中保存起来
            data=[]
            data.append(str(title[0].strip()))
            data.append(str(shop.strip()))
            data.append(str(location.strip()))
       # 剔除无用字
            data.append(str(person[:-3].strip()))
            data.append(str(src).strip())
# 调用mysql.insert_data()方法将提取到的数据插入到数据库中
            self.mysql.insert_data(data)
#  对网页进行翻页的方法
    def nextpage(self,pagenumber):
# 定位到翻页的按钮前的输入框，也就是对其进行跳转
        pageinput=driver.find_element_by_css_selector("#mainsrp-pager > div > div > div > div.form > input")
        pageinput.clear()
        pageinput.send_keys(pagenumber)
# 定位到跳转按钮，对其进行翻页
        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()
# 定义主函数，调用上面的的方法
    def main(self):
        total=int(self.search())
        for i in range(2,total):
            self.nextpage(i)
        self.mysql.close()

以下代码是一个排序的算法，其主要作用是在界面上显示多少行数据，主要思路为：根据用户输入的数字创建一个数组，读取数据库中得到数据，分离出来购买人数并转换成int类型，将数据每次添加一个到数组中，当数组的长度等于用户想要显示最大行数时，对其数组中的数据从大到小进行排序，接下来，每当读取一个数据之后，就对数组中最小的那个进行比较，如果比起小，就跳过，否则，对该数据进行插入操作，并删除之前最小的那个数据，最后数组中保存的就是购买人数最多的前n条数据。

主要代码如下：

'''
遇到不懂的问题？python学习交流群：821460695满足你的需求，资料都已经上传群文件，可以自行下载！
'''
#对数据进行排序，data为购买人数
def shot_data(self,data,i=10):    # i为用户想要显示的最大行数，默认为10行
    top=[]
    if i>len(data):
        i=len(data)
    for x in data:
        if len(top)<i:     # 控制数组的长度，另其大小等于i
            top.append(x)
            if len(top)==i:
                top.sort(reverse=true)        # 数组内的数据进行排序
        else:
            l=len(top)
            y=len(top)
            t=1
            if x>top[l-1]:    # 判断其数值是否大于数组内的最小值
                while x>top[l-t] and y>0:    # 控制循环条件
                    t+=1
                    y-=1
                if y!=0:    # y的值若是==0，那么该数值就是最大值
                    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    # 返回装有最大的前i个数的数组

以下代码是对评论进行关键词的提取，用到了jieba库中的一些方法。
主要代码如下：

def dis_an(self):
# 清空显示界面
    self.txtmess.delete(1.0,end)
    t=to.data_oper()
# 得到数据库中的存储信息
    test=t.dis_only_discuss()
# 定义字符串adg，v
    adg=""
    v=""
# 对评论进行分割并标注词性
    word=psg.cut(test)
# w为词意，f为词性
    for w,f in word:
    # 判断词性是否为形容词
        if f.startswith('a'):
            print(w)
            adg=adg+","+w
    # 判断词性是否为动词
        elif f.startswith('v'):
            v=v+","+w
    # 根据该词的权重提取出前5个词
tags=jieba.analyse.extract_tags(adg,topk=5)
    tags1=jieba.analyse.extract_tags(v,topk=5)