京东的验证码和反爬都很烦人吧？那又怎样，照样轻松爬取京东数据

目标

• 爬取京东商城上iphone x用户评论数据；
• 使用jieba对评论数据进行分词处理；
• 使用wordcloud绘制词云图。

进群：548377875   即可获取数十套pdf哦！

 

 

• 然后我们会发现这个接口地址是可以直接访问的，并不需要post参数，直接get就行，后面发现，连header都不需要设置，这样问题就很简单了。

 

 

• 接口地址返回的数据不是标准的json格式，我们需要手动处理下。
• 1.去掉前面的‘fetchjson_comment98vv56725(’；
• 2.去掉末尾的‘);’；
• 3.json包加载数据处理就行了。

 

 

• 循环获取每个页面的评论数据，保存到本地。

绘制词云

绘制词云主要用到两个包，一个是jieba，用于文本分词的，一个是wordcloud，用于绘制最后的词云。参数比较多，大家可以直接访问jieba+wordcloud去查看。

• 背景图片

 

• 最后效果如下

 

• 词云

代码部分

# -*- coding:utf-8 -*-

import requests

import json

import jieba

from scipy.misc import imread

from wordcloud import wordcloud, stopwords, imagecolorgenerator

import matplotlib.pyplot as plt

def jd_spider(page):

url = 'https://sclub.jd.com/comment/productpagecomments.action?callback=fetchjson_comment98vv56693&productid=5089253&score=0&sorttype=5&page=%d&pagesize=10&isshadowsku=0&fold=1'%(page)

#用于存储单页评论，每页评论保存一次

comment = ''

#无需设置header，直接访问就行了

response = requests.get(url)

data = unicode(response.content,'gbk').encode('utf-8')

'''

接口地址返回的不是标准json数据，需要进行处理

去掉头部的‘fetchjson_comment98vv56693(’和‘);’两部分

然后再用json包读取数据就可以了

'''

data = data.split('(',1)[1]#根据（进行切片一次处理，取第二部分

data = data[0:len(data)-2]#然后去掉后面的）和；

data_json = json.loads(str(data))['comments']

#循环读取每条评论，通过换行符连接起来

for i in list(range(len(data_json))):

comment = comment+data_json[i]['content'].encode('utf-8')+' '

print '****page %d has been saved****'%(page)

return comment

#将读取的数据保存到本地txt文件

def save_comments(comments):

with open('comments.txt','a') as f:

f.write(comments)

'''

由于京东限制了，只展示前100页评论

循环99次就好了，后面返回的都是空页面

'''

for page in list(range(99)):

page = page+1

comments = jd_spider(page)

save_comments(comments)

print '****jd_spider@awesome_tang****'

'''

绘制词云部分

'''

back_color = imread('apple.png') # 解析该图片

wc = wordcloud(background_color='white', # 背景颜色

max_words=1000, # 最大词数

mask=back_color, # 以该参数值作图绘制词云，这个参数不为空时，width和height会被忽略

max_font_size=100, # 显示字体的最大值

font_path="/users/tangwenpan/downloads/simhei.ttf", # 解决显示口字型乱码问题

random_state=42, # 为每个词返回一个pil颜色

# width=1000, # 图片的宽

# height=860 #图片的长

)

# 打开保存的评论数据

text = open('comments.txt').read()

def word_cloud(texts):

words_list = []

word_generator = jieba.cut(texts, cut_all=false) # 返回的是一个迭代器

for word in word_generator:

if len(word) > 1: #去掉单字

words_list.append(word)

return ' '.join(words_list)

text = word_cloud(text)

wc.generate(text)

# 基于彩色图像生成相应彩色

image_colors = imagecolorgenerator(back_color)

# 显示图片

plt.imshow(wc)

# 关闭坐标轴

plt.axis('off')

# 绘制词云

plt.figure()

plt.imshow(wc.recolor(color_func=image_colors))

plt.axis('off')

# 保存图片

wc.to_file('comment.png')

print 'comment.png has bee saved!'

一直觉得词云是个蛮好玩的东西，想自己也做下玩玩，所以这次也就是想着先做点东西出来，代码部分可能就比较粗糙了，后期有时间再改改。