欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

【Python爬虫案例学习】Python爬取淘宝店铺和评论

程序员文章站 2023-04-05 13:38:04
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py ......

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)