基于Python获取亚马逊的评论信息的处理

文章目录

- 一、分析亚马逊的评论请求
- 二、获取亚马逊评论的内容
- 三、亚马逊评论信息的处理
- 四、代码整合
- - 4.1 代理设置
  - 4.2 while循环翻页
- 总结
- - 关于Python技术储备
  - - 一、Python所有方向的学习路线
    - 二、Python基础学习视频
    - 三、精品Python学习书籍
    - 四、Python工具包+项目源码合集
    - ①Python工具包
    - ②Python实战案例
    - ③Python小游戏源码
    - 五、面试资料
    - 六、Python兼职渠道

上次亚马逊的商品信息都获取到了，自然要看一下评论的部分。用户的评论能直观的反映当前商品值不值得购买，亚马逊的评分信息也能获取到做一个评分的权重。

亚马逊的评论区由用户ID，评分及评论标题，地区时间，评论正文这几个部分组成，本次获取的内容就是这些。

测试链接：https://www.amazon.it/product-reviews/B08GHGTGQ2/ref=cm_cr_arp_d_paging_btm_14?ie=UTF8&pageNumber=14&reviewerType=all_reviews&pageSize=10&sortBy=recent

一、分析亚马逊的评论请求

首先打开开发者模式的Network，Clear清屏做一次请求：

在这里插入图片描述

你会发现在Doc中的get请求正好就有我们想要的评论信息。

可是真正的评论数据可不是全部都在这里的，页面往下翻，有个翻页的button：

点击翻页请求下一页，在Fetch/XHR选项卡中多了一个新的请求，刚才的Doc选项卡中并无新的get请求。这下发现了所有的评论信息是XHR类型的请求。

获取到post请求的链接和payload数据，里面含有控制翻页的参数，真正的评论请求已经找到了。

这一堆就是未处理的信息，这些请求未处理的信息里面，带有data-hook=\"review\"的就是带有评论的信息。分析完毕，下面开始一步一步去写请求。

二、获取亚马逊评论的内容

首先拼凑请求所需的post参数，请求链接，以便之后的自动翻页，然后带参数post请求链接：

headers = {'authority': 'www.amazon.it',"accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,\*/\*;q=0.8,application/signed-exchange;v=b3;q=0.9","user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.71 Safari/537.36",
}page = 1
post\_data = {"sortBy": "recent","reviewerType": "all\_reviews","formatType": "","mediaType": "","filterByStar": "","filterByLanguage": "","filterByKeyword": "","shouldAppend": "undefined","deviceType": "desktop","canShowIntHeader": "undefined","pageSize": "10","asin": "B08GHGTGQ2",
}
# 翻页关键payload参数赋值
post\_data\["pageNumber"\] = page,
post\_data\["reftag"\] = f"cm\_cr\_getr\_d\_paging\_btm\_next\_{page}",
post\_data\["scope"\] = f"reviewsAjax{page}",
# 翻页链接赋值
spiderurl=f'https://www.amazon.it/hz/reviewsrender/ajax/reviews/get/ref=cm\_cr\_getr\_d\_paging\_btm\_next\_{page}'
res = requests.post(spiderurl,headers=headers,data=post\_data)
if res and res.status\_code == 200:res = res.content.decode('utf-8')print(res)

现在已经获取到了这一堆未处理的信息，接下来开始对这些数据进行处理。

三、亚马逊评论信息的处理

上图的信息会发现，每一段的信息都由“&&&”进行分隔，而分隔之后的每一条信息都是由’“,”'分隔开的：

所以用python的split方法进行处理，把字符串分隔成list列表：

\# 返回值字符串处理
contents = res.split('&&&')
for content in contents:infos = content.split('","')

由’“,”'分隔的数据通过split处理生成新的list列表，评论内容是列表的最后一个元素，去掉里面的"\“,”\n"和多余的符号，就可以通过css/xpath选择其进行处理了：

for content in contents:infos = content.split('","')info = infos\[-1\].replace('"\]','').replace('\\\\n','').replace('\\\\','')# 评论内容判断if 'data-hook="review"' in info:sel = Selector(text=info)data = {}data\['username'\] = sel.xpath('//span\[@class="a-profile-name"\]/text()').extract\_first() #用户名data\['point'\] = sel.xpath('//span\[@class="a-icon-alt"\]/text()').extract\_first() #评分data\['date'\] = sel.xpath('//span\[@data-hook="review-date"\]/text()').extract\_first() #日期地址data\['review'\] = sel.xpath('//span\[@data-hook="review-title"\]/span/text()').extract\_first() #评价标题data\['detail'\] = sel.xpath('//span\[@data-hook="review-body"\]').extract\_first() #评价内容image = sel.xpath('div\[@class="review-image-tile-section"\]').extract\_first()data\['image'\] = image if image else "not image" #图片print(data)

四、代码整合

4.1 代理设置

稳定的IP代理是你数据获取最有力的工具。目前国内还是无法稳定的访问亚马逊，会出现连接失败的情况。我这里使用的ipidea代理请求的意大利地区的亚马逊，可以通过账密和api获取代理，速度还是非常稳定的。

地址：http://www.ipidea.net/?utm-source=csdn&utm-keyword=?wb

下面的代理获取的方法：

\# api获取ipdef getApiIp(self):# 获取且仅获取一个ip------意大利api\_url = '获取代理地址'res = requests.get(api\_url, timeout=5)try:if res.status\_code == 200:api\_data = res.json()\['data'\]\[0\]proxies = {'http': 'http://{}:{}'.format(api\_data\['ip'\], api\_data\['port'\]),'https': 'http://{}:{}'.format(api\_data\['ip'\], api\_data\['port'\]),}print(proxies)return proxieselse:print('获取失败')except:print('获取失败')

4.2 while循环翻页

while循环进行翻页，评论最大页数是99页，99页之后就break跳出while循环：

 def getPLPage(self):while True:# 翻页关键payload参数赋值self.post\_data\["pageNumber"\]= self.page,self.post\_data\["reftag"\] = f"cm\_cr\_getr\_d\_paging\_btm\_next\_{self.page}",self.post\_data\["scope"\] = f"reviewsAjax{self.page}",# 翻页链接赋值spiderurl = f'https://www.amazon.it/hz/reviews-render/ajax/reviews/get/ref=cm\_cr\_getr\_d\_paging\_btm\_next\_{self.page}'res = self.getRes(spiderurl,self.headers,'',self.post\_data,'POST',check)#自己封装的请求方法if res:res = res.content.decode('utf-8')# 返回值字符串处理contents = res.split('&&&')for content in contents:infos = content.split('","')info = infos\[-1\].replace('"\]','').replace('\\\\n','').replace('\\\\','')# 评论内容判断if 'data-hook="review"' in info:sel = Selector(text=info)data = {}data\['username'\] = sel.xpath('//span\[@class="a-profile-name"\]/text()').extract\_first() #用户名data\['point'\] = sel.xpath('//span\[@class="a-icon-alt"\]/text()').extract\_first() #评分data\['date'\] = sel.xpath('//span\[@data-hook="review-date"\]/text()').extract\_first() #日期地址data\['review'\] = sel.xpath('//span\[@data-hook="review-title"\]/span/text()').extract\_first() #评价标题data\['detail'\] = sel.xpath('//span\[@data-hook="review-body"\]').extract\_first() #评价内容image = sel.xpath('div\[@class="review-image-tile-section"\]').extract\_first()data\['image'\] = image if image else "not image" #图片print(data)if self.page <= 99:print('Next Page')self.page += 1else:break

最后的整合代码：

\# coding=utf-8
import requests
from scrapy import Selectorclass getReview():page = 1headers = {'authority': 'www.amazon.it',"accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,\*/\*;q=0.8,application/signed-exchange;v=b3;q=0.9","user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.71 Safari/537.36",}post\_data = {"sortBy": "recent","reviewerType": "all\_reviews","formatType": "","mediaType": "","filterByStar": "","filterByLanguage": "","filterByKeyword": "","shouldAppend": "undefined","deviceType": "desktop","canShowIntHeader": "undefined","pageSize": "10","asin": "B08GHGTGQ2",#post\_data中asin参数目前写死在#"https://www.amazon.it/product-reviews/B08GHGTGQ2?ie=UTF8&pageNumber=1&reviewerType=all\_reviews&pageSize=10&sortBy=recent"#这个链接里，不排除asin值变化的可能，如要获取get请求即可def getPLPage(self):while True:# 翻页关键payload参数赋值self.post\_data\["pageNumber"\]= self.page,self.post\_data\["reftag"\] = f"cm\_cr\_getr\_d\_paging\_btm\_next\_{self.page}",self.post\_data\["scope"\] = f"reviewsAjax{self.page}",# 翻页链接赋值spiderurl = f'https://www.amazon.it/hz/reviews-render/ajax/reviews/get/ref=cm\_cr\_getr\_d\_paging\_btm\_next\_{self.page}'res = self.getRes(spiderurl,self.headers,'',self.post\_data,'POST',check)#自己封装的请求方法if res:res = res.content.decode('utf-8')# 返回值字符串处理contents = res.split('&&&')for content in contents:infos = content.split('","')info = infos\[-1\].replace('"\]','').replace('\\\\n','').replace('\\\\','')# 评论内容判断if 'data-hook="review"' in info:sel = Selector(text=info)data = {}data\['username'\] = sel.xpath('//span\[@class="a-profile-name"\]/text()').extract\_first() #用户名data\['point'\] = sel.xpath('//span\[@class="a-icon-alt"\]/text()').extract\_first() #评分data\['date'\] = sel.xpath('//span\[@data-hook="review-date"\]/text()').extract\_first() #日期地址data\['review'\] = sel.xpath('//span\[@data-hook="review-title"\]/span/text()').extract\_first() #评价标题data\['detail'\] = sel.xpath('//span\[@data-hook="review-body"\]').extract\_first() #评价内容image = sel.xpath('div\[@class="review-image-tile-section"\]').extract\_first()data\['image'\] = image if image else "not image" #图片print(data)if self.page <= 99:print('Next Page')self.page += 1else:break# api获取ipdef getApiIp(self):# 获取且仅获取一个ip------意大利api\_url = '获取代理地址'res = requests.get(api\_url, timeout=5)try:if res.status\_code == 200:api\_data = res.json()\['data'\]\[0\]proxies = {'http': 'http://{}:{}'.format(api\_data\['ip'\], api\_data\['port'\]),'https': 'http://{}:{}'.format(api\_data\['ip'\], api\_data\['port'\]),}print(proxies)return proxiesprint('获取失败')except:print('获取失败')#专门发送请求的方法,代理请求三次，三次失败返回错误def getRes(self,url,headers,proxies,post\_data,method):if proxies:for i in range(3):try:# 传代理的post请求if method == 'POST':res = requests.post(url,headers=headers,data=post\_data,proxies=proxies)# 传代理的get请求else:res = requests.get(url, headers=headers,proxies=proxies)if res:return resexcept:print(f'第{i+1}次请求出错')else:return Noneelse:proxies = self.getApiIp()# 请求代理的post请求res = requests.post(url, headers=headers, data=post\_data, proxies=proxies)# 请求代理的get请求res = requests.get(url, headers=headers, proxies=proxies)print(f"第{i+1}次请求出错")
if \_\_name\_\_ == '\_\_main\_\_':getReview().getPLPage()