准备:
python3.5
安装selenium包
第一种方法:
cmd里输pip install selenium,但是经常报错
第二种方法:
下载安装包-cmd进入解压路径-python setup.py install-报错permission denied-右键安全更改报错文件夹权限为完全控制-再次安装成功
unknown error: unable to discover open pages-下载chromedriver放在环境变量目录下
测试自动打开百度时提示“您使用的是不受支持的命令行标记”-更改chromedriver版本为对应版本即可
安装包下载地址:https://pypi.python.org/pypi/selenium
chromedriver与chrome版本映射及下载地址:http://blog.csdn.net/huilan_same/article/details/51896672
实现:
selenium基本上就是模拟打开浏览器,向下滑动点击评论tab点击下一页等过程。由于selenium只能对显示在屏幕范围内的元素操作,所以滚动条操作很重要。
def deal_recommends_infos(url): if not url.startswith(‘http‘): url = ‘https:‘ + url print(‘开始寻找评论:‘ + url) driver = webdriver.Chrome() driver.maximize_window() # 全屏 timeout = 30 try: driver.get(url) WebDriverWait(driver, timeout).until( EC.presence_of_element_located((By.ID, "J_TabBarBox")) # 判断页面是否初步加载成功的标记 ) except TimeoutException: print(‘宝贝链接未加载成功‘) try: # 页面上拉600,看到TabBarBox js = "window.scrollTo(0,600)" driver.execute_script(js) except WebDriverException: print(‘上拉寻找评论区时出现问题‘) time.sleep(2) # 点击累计评论TAB driver.find_element_by_xpath(‘//*[@id="J_TabBar"]/li[2]‘).click() time.sleep(4) print(‘成功点击累计评论TAB‘) try: # rate-grid的正则表达式 driver.find_element_by_xpath(‘//*[@id="J_Reviews"]/div/div[6]‘) except NoSuchElementException: print(‘评论信息中元素还未加载‘) print(‘已经成功加载到评论区信息‘) for i in range(2): try: js = "window.scrollTo(0,2500)" driver.execute_script(js) time.sleep(2) # 点击下一页 driver.find_element_by_css_selector(‘#J_Reviews > div > div.rate-page > div > a:last-child‘).click() except WebDriverException: js = "window.scrollTo(0,3500)" driver.execute_script(js) time.sleep(2) # 点击下一页 driver.find_element_by_css_selector(‘#J_Reviews > div > div.rate-page > div > a:last-child‘).click() except NoSuchElementException: print(‘找不到翻页按钮‘) continue print(‘已成功点击下一页‘) soup = BeautifulSoup(driver.page_source, "lxml") print(get_recommends_infos(soup)) print(‘完成该链接的评论抓取‘)
要注意的点:
浏览器要全屏,缺少这个操作的话很容易出现bug,我猜是因为天猫商城右下角的二维码妨碍了鼠标点击。
下拉网页点击下一页时,由于天猫商城每页的评论长度不是那么确定,设置绝对值容易出现拉不到或者拉过了的情况,要做一个try语句。
target = driver.find_element_by_css_selector(‘#J_Reviews > div > div.rate-page > div > a:last-child‘) driver.execute_script("arguments[0].scrollIntoView();",target) #拖动到可见的元素去
我尝试用以上代码来滚动到指定元素可见,但是总报is not clickable at point (1030, 19). Other element would receive the click:查了下是被天猫商城那个手机购买的二维码挡住了……现在暂时没有解决方案,只能先拉2500,不够就再加个1000。
理论上来说
soup = BeautifulSoup(driver.page_source, "lxml") print(get_recommends_infos(soup))
这两句应该是放在点击下一页之前的,但是不知道为啥这样就会出现把第一页抓取两遍的情况。神tm换下代码顺序就正常了,想不通为什么这样结果对,我再慢慢研究吧。
#提取评论信息 def get_recommends_infos(s): comment = s.find("div",class_="rate-grid") comment_data = comment.find_all("tr") lst1=[] #逐行读取 for i in comment_data: goodstype_lst=[] username_lst=[] #comment1为初次评论,comment2为追加评论,reply1为商家初次回复,reply2为商家追加回复,goodstype为商品类型,username为用户名 dic={‘comment1‘: ‘‘,‘reply1‘:‘‘,‘comment2‘: ‘‘,‘reply2‘:‘‘, ‘goodstype‘: goodstype_lst, ‘username‘: username_lst} try: content1=i.find(‘div‘,class_="tm-rate-premiere").find(‘div‘,class_="tm-rate-content") dic[‘comment1‘]=content1.text except: content1=i.find(‘div‘,class_="tm-rate-content").find(‘div‘,class_="tm-rate-fulltxt") dic[‘comment1‘]=content1.text try: content2=i.find(‘div‘,class_="tm-rate-append").find(‘div‘,class_="tm-rate-content") dic[‘comment2‘]=content2.text except: dic[‘comment2‘]=‘null‘ try: reply1=i.find(‘div‘,class_="tm-rate-premiere").find(‘div‘,class_="tm-rate-reply") dic[‘reply1‘]=reply1.text except: try: reply2=i.find(‘div‘,class_="tm-rate-append").find(‘div‘,class_="tm-rate-reply") dic[‘reply1‘]=‘null‘ except: try: reply1=i.find(‘div‘,class_="tm-rate-reply") dic[‘reply1‘]=reply1.text except: dic[‘reply1‘]=‘null‘ try: reply2=i.find(‘div‘,class_="tm-rate-append").find(‘div‘,class_="tm-rate-reply") dic[‘reply2‘]=reply2.text except: dic[‘reply2‘]=‘null‘ goodstype=i.find(‘div‘,class_="rate-sku").find_all(‘p‘) for b in goodstype: goodstype_lst.append(b.attrs[‘title‘]) username=i.find_all(‘div‘,class_="rate-user-info") for c in username: username_lst.append(c.text) lst1.append(dic) return lst1
要注意的点:
初次评论:如果有追加评论的话div会被分成class=tm-rate-premiere和tm-rate-append两块,这两块里面又分别有tm-rate-content,没有追加评论的情况下评论就是tm-rate-content一整块。因此直接用BeautifulSoup找tm-rate-content是有问题的,可能会找到两个评论。
追加评论:这个比较好判断,没有tm-rate-append的话就没有追加评论
初次回复:回复情况分为下表6种,其中有初次回复的分为1、2、5共3种,先通过find(‘div‘,class_="tm-rate-premiere").find(‘div‘,class_="tm-rate-reply")把1选出来了,剩下5种中,把3排除掉,第一个被找到的tm-rate-reply就是初次回复。
序号 | 追评 | 初次回复 | 追评回复 |
1 | 有 | 有 | 有 |
2 | 有 | 有 | 无 |
3 | 有 | 无 | 有 |
4 | 有 | 无 | 无 |
5 | 无 | 有 | 无 |
6 | 无 | 无 | 无 |
追加回复:通过find(‘div‘,class_="tm-rate-append").find(‘div‘,class_="tm-rate-reply")把1、3选出来了,剩下的都为null
参考:
Python利器之使用Selenium模拟用户操作抓取天猫评论数据 - 知乎专栏
Python爬虫实战八之利用Selenium抓取淘宝匿名旺旺 | 静觅