【導(dǎo)語】：之前為大家介紹了 requests 庫的基本信息以及使用方法，收到了很多同學(xué)的反饋，期待作者新作，今天不負(fù)所望，作者就帶大家來玩一把刺激的。

一、需求背景

在實(shí)際開發(fā)過程中，在我們動(dòng)手開發(fā)之前，都是由產(chǎn)品經(jīng)理為我們（測(cè)試、前端、后端、項(xiàng)目經(jīng)理等）先講解一下需求，我們了解了需求之后，才開始一起來討論技術(shù)方案。

我們自己實(shí)現(xiàn)一些小功能時(shí)同樣需要討論需求，也就是告訴別人我們?yōu)槭裁匆鲞@個(gè)東西？或者我們想利用這款產(chǎn)品解決什么問題。

我們常常看到一些有關(guān)充氣娃娃的表情包和圖片或新聞，但是這種東西很少會(huì)像一些小視頻一些相互交流，大家可能都是偷摸玩耍。所以豬哥相信其實(shí)大部分同學(xué)并沒有親身體驗(yàn)過充氣娃娃到底是什么感覺（包括豬哥），所以豬哥很好奇究竟是什么一種體驗(yàn)？真的如傳言中那樣爽嗎？

二、功能描述

基于很多人沒有體驗(yàn)過充氣娃娃是什么感覺，但是又很好奇，所以希望通過爬蟲+數(shù)據(jù)分析的方式直觀而真實(shí)的告訴大家（下圖為成品圖）。

三、技術(shù)方案

為了實(shí)現(xiàn)上面的需求以及功能，我們來討論下具體的技術(shù)實(shí)現(xiàn)方案：

分析某東評(píng)論數(shù)據(jù)請(qǐng)求

使用requests庫抓取某東的充氣娃娃評(píng)論

使用詞云做數(shù)據(jù)展示

四、技術(shù)實(shí)現(xiàn)

上篇文章中就給大家說過，今天我們以某東商品編號(hào)為：1263013576 的商品為對(duì)象，進(jìn)行數(shù)據(jù)分析，我們來看看詳細(xì)的技術(shù)實(shí)現(xiàn)步驟吧！

本教程只為學(xué)習(xí)交流，不得用于商用獲利，后果自負(fù)！如有侵權(quán)或者對(duì)任何公司或個(gè)人造成不利影響，請(qǐng)告知?jiǎng)h除

1.分析并獲取評(píng)論接口的URL

第一步：打開某東的商品頁，搜索你想研究的商品。

第二步：我們?cè)陧撁嬷惺髽?biāo)右鍵選擇檢查（或F12）調(diào)出瀏覽器的調(diào)試窗口。

第三步：調(diào)出瀏覽器后點(diǎn)擊評(píng)論按鈕使其加載數(shù)據(jù)，然后我們點(diǎn)擊network查看數(shù)據(jù)。

第四步：查找加載評(píng)論數(shù)據(jù)的請(qǐng)求url，我們可以使用某條評(píng)論中的一段話，然后在調(diào)試窗口中搜索。

經(jīng)過上面4步分析，我們就拿到了京東評(píng)論數(shù)據(jù)的接口：

https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv4654&productId=1263013576&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1

productPageComments：看這個(gè)名字就知道是產(chǎn)品頁評(píng)論

2.爬取評(píng)論數(shù)據(jù)

拿到評(píng)論數(shù)據(jù)接口url之后，我們就可以開始寫代碼抓取數(shù)據(jù)了。一般我們會(huì)先嘗試抓取一條數(shù)據(jù)，成功之后，我們?cè)偃シ治鋈绾螌?shí)現(xiàn)大量抓取。

上一篇我們已經(jīng)講解了如何使用requests庫發(fā)起http/s請(qǐng)求，我們來看看代碼：

但是在打印的結(jié)果中數(shù)據(jù)卻是空？為何瀏覽器請(qǐng)求成功，而我們的代碼卻請(qǐng)求不到數(shù)據(jù)呢？難道我們遇到了反爬？這種情況下如何解決？

大家在遇到這種情況時(shí)，回到瀏覽器的調(diào)試窗口，查看下瀏覽器發(fā)起的請(qǐng)求頭，因?yàn)榭赡転g覽器請(qǐng)求時(shí)攜帶了什么請(qǐng)求頭參數(shù)而我們代碼中沒有。

果然，我們?cè)跒g覽器頭中看到了有兩個(gè)請(qǐng)求頭 Referer 和 User-Agent，那我們先把他們加到代碼的請(qǐng)求頭中，再試試！

3.數(shù)據(jù)提取

我們對(duì)爬取的數(shù)據(jù)分析發(fā)現(xiàn)，此數(shù)據(jù)為jsonp跨域請(qǐng)求返回的json結(jié)果，所以我們只要把前面的fetchJSON_comment98vv4646(和最后的)去掉就拿到j(luò)son數(shù)據(jù)了。

將json數(shù)據(jù)復(fù)制到j(luò)son格式化工具中或者在Chrome瀏覽器調(diào)試窗口點(diǎn)擊Preview也可以看到，json數(shù)據(jù)中有一個(gè)key為comments的值便是我們想要的評(píng)論數(shù)據(jù)。

我們?cè)賹?duì)comments值進(jìn)行分析發(fā)現(xiàn)是一個(gè)有多條數(shù)據(jù)的列表，而列表里的每一項(xiàng)就是每個(gè)評(píng)論對(duì)象，包含了評(píng)論的內(nèi)容，時(shí)間，id，評(píng)價(jià)來源等等信息，而其中的content字段便是我們?cè)陧撁婵吹降挠脩粼u(píng)價(jià)內(nèi)容。

那我們來用代碼將每個(gè)評(píng)價(jià)對(duì)象的content字段提取并打印出來。

4.數(shù)據(jù)保存

數(shù)據(jù)提取后我們需要將他們保存起來，一般保存數(shù)據(jù)的格式主要有：文件、數(shù)據(jù)庫、內(nèi)存這三大類。今天我們就將數(shù)據(jù)保存為txt文件格式，因?yàn)椴僮魑募鄬?duì)簡單同時(shí)也能滿足我們的后續(xù)數(shù)據(jù)分析的需求。

然后我們查看一下生成的文件內(nèi)容是否正確。

5.批量爬取

再完成一頁數(shù)據(jù)爬取、提取、保存之后，我們來研究一下如何批量抓取？

做過web的同學(xué)可能知道，有一項(xiàng)功能是我們必須要做的，那便是分頁。何為分頁？為何要做分頁？

我們?cè)跒g覽很多網(wǎng)頁的時(shí)候常常看到“下一頁”這樣的字眼，其實(shí)這就是使用了分頁技術(shù)，因?yàn)橄蛴脩粽故緮?shù)據(jù)時(shí)不可能把所有的數(shù)據(jù)一次性展示，所以采用分頁技術(shù)，一頁一頁的展示出來。

讓我們?cè)倩氐阶铋_始的加載評(píng)論數(shù)據(jù)的url：

https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv4654&productId=1263013576&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1

我們可以看到鏈接里面有兩個(gè)參數(shù)page=0&pageSize=10，page表示當(dāng)前的頁數(shù)，pageSize表示每頁多少條，那這兩個(gè)數(shù)據(jù)直接去數(shù)據(jù)庫limit數(shù)據(jù)。

老司機(jī)一眼便可以看出這就是分頁的參數(shù)，但是有同學(xué)會(huì)說：如果我是老司機(jī)還干嘛看你的文章？所以我教大家如何來找到這個(gè)分頁參數(shù)。

回到某東的商品頁，我們將評(píng)價(jià)頁面拉到最底下，發(fā)現(xiàn)有分頁的按鈕，然后我們?cè)谡{(diào)試窗口清空之前的請(qǐng)求記錄。

清空之前的請(qǐng)求記錄之后，我們點(diǎn)擊上圖紅框分頁按鈕的數(shù)字2，代表這第二頁，然后復(fù)制第一條評(píng)價(jià)去調(diào)試窗口搜索，最后找到請(qǐng)求鏈接。

然后我們點(diǎn)擊Headers查看第二頁請(qǐng)求數(shù)據(jù)的url

然后我們比較第一頁評(píng)價(jià)與第二頁評(píng)價(jià)的url有何區(qū)別。

這里也就驗(yàn)證了豬哥的猜想：page表示當(dāng)前的頁數(shù)，pageSize表示每頁多少條。而且我們還能得出另一個(gè)結(jié)論：第一個(gè)page=0，第二頁page=1 然后依次往后。有同學(xué)會(huì)問：為什么第一頁不是1，而是0，因?yàn)樵跀?shù)據(jù)庫中一般的都是從0開始計(jì)數(shù)，編程行業(yè)很多數(shù)組列表都是從0開始計(jì)數(shù)。

好了，知道分頁規(guī)律之后，我們只要在每次請(qǐng)求時(shí)將page參數(shù)遞增不就可以批量抓取了嗎？我們來寫代碼吧！

簡單講解一下做的改動(dòng)：

對(duì)spider_comment方法增加入?yún)?shù)，然后在url中增加占位符，這樣就可以動(dòng)態(tài)修改url，爬取指定的頁數(shù)。

增加一個(gè)batch_spider_comment方法，循環(huán)調(diào)用spider_comment方法，暫定爬取100頁。

在batch_spider_comment方法的for循環(huán)中設(shè)置了一個(gè)隨機(jī)的休眠時(shí)間，意在模擬用戶瀏覽，防止因?yàn)榕廊√l繁被封ip。

爬取完成之后檢查成果。

6.數(shù)據(jù)清洗

數(shù)據(jù)成功保存之后我們需要對(duì)數(shù)據(jù)進(jìn)行分詞清洗，對(duì)于分詞我們使用著名的分詞庫jieba。

首先是安裝jieba庫：

pip3 install jieba

當(dāng)然這里你還可以對(duì)一些介詞等無效詞進(jìn)行剔除，這樣可以避免無效數(shù)據(jù)。

7.生成詞云

生成詞云我們需要用到numpy、matplotlib、wordcloud、Pillow這幾個(gè)庫，大家先自行下載。matplotlib庫用于圖像處理，wordcloud庫用于生成詞云。

注意：font_path是選擇字體的路徑，如果不設(shè)置默認(rèn)字體可能不支持中文，豬哥選擇的是Mac系統(tǒng)自帶的宋體字！

最終結(jié)果：

我們來看看全代碼。

五、總結(jié)

因考慮新手的友好性，文章篇幅較長，詳細(xì)的介紹了從需求到技術(shù)分析、爬取數(shù)據(jù)、清洗數(shù)據(jù)、最后的分析數(shù)據(jù)。我們來總結(jié)一下本篇文章學(xué)到的東西吧：

如何分析并找出加載數(shù)據(jù)的url

如何使用requests庫的headers解決Referer和User-Agent反扒技術(shù)

如何找出分頁參數(shù)實(shí)現(xiàn)批量爬取

設(shè)置一個(gè)爬蟲間隔時(shí)間防止被封ip

數(shù)據(jù)的提取與保存到文件

使用jieba庫對(duì)數(shù)據(jù)分詞清洗

使用wordcloud生成指定形狀的詞云

這是一套完整的數(shù)據(jù)分析案例，希望大家能自己動(dòng)手嘗試，去探索更多有趣的案例。