[python]利用selenium模拟用户操作抓取天猫评论数据

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。