Python告訴你充氣娃娃什么感覺？

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

一、需求背景

在實際開發(fā)過程中，在我們動手開發(fā)之前，都是由產(chǎn)品經(jīng)理為我們（測試、前端、后端、項目經(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。

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

我們常?？吹揭恍┯嘘P(guān)充氣娃娃的表情包和圖片或新聞，但是這種東西很少會像一些小視頻一些相互交流，大家可能都是偷摸玩耍。所以豬哥相信其實大部分同學并沒有親身體驗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？真的如傳言中那樣爽嗎？

二、功能描述

基于很多人沒有體驗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的告訴大家（下圖為成品圖）。

三、技術(shù)方案

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

分析某東評論數(shù)據(jù)請求

使用requests庫抓取某東的充氣娃娃評論

使用詞云做數(shù)據(jù)展示

四、技術(shù)實現(xiàn)

上篇文章中就給大家說過，今天我們以某東商品編號為：1263013576 的商品為對象，進行數(shù)據(jù)分析，我們來看看詳細的技術(shù)實現(xiàn)步驟吧！

本教程只為學習交流，不得用于商用獲利，后果自負！如有侵權(quán)或者對任何公司或個人造成不利影響，請告知刪除

1.分析并獲取評論接口的URL

第一步：打開某東的商品頁，搜索你想研究的商品。

第二步：我們在頁面中鼠標右鍵選擇檢查（或F12）調(diào)出瀏覽器的調(diào)試窗口。

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

第四步：查找加載評論數(shù)據(jù)的請求url，我們可以使用某條評論中的一段話，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：看這個名字就知道是產(chǎn)品頁評論

2.爬取評論數(shù)據(jù)

拿到評論數(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。一般我們會先嘗試抓取一條數(shù)據(jù)，成功之后，我們再去分析如何實現(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？為何瀏覽器請求成功，而我們的代碼卻請求不到數(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，回到瀏覽器的調(diào)試窗口，查看下瀏覽器發(fā)起的請求頭，因為可能瀏覽器請求時攜帶了什么請求頭參數(shù)而我們代碼中沒有。

果然，我們在瀏覽器頭中看到了有兩個請求頭 Referer 和 User-Agent，那我們先把他們加到代碼的請求頭中，再試試！

3.數(shù)據(jù)提取

我們對爬取的數(shù)據(jù)分析發(fā)現(xiàn)，此數(shù)據(jù)為jsonp跨域請求返回的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json數(shù)據(jù)了。

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

我們再對comments值進行分析發(fā)現(xiàn)是一個有多條數(shù)據(jù)的列表，而列表里的每一項就是每個評論對象，包含了評論的內(nèi)容，時間，id，評價來源等等信息，而其中的content字段便是我們在頁面看到的用戶評價內(nèi)容。

那我們來用代碼將每個評價對象的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，因為操作文件相對簡單同時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??？

做過web的同學可能知道，有一項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？

我們在瀏覽很多網(wǎng)頁的時候常?？吹健跋乱豁摗边@樣的字眼，其實這就是使用了分頁技術(shù)，因為向用戶展示數(shù)據(jù)時不可能把所有的數(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。

讓我們再回到最開始的加載評論數(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參數(shù)page=0&pageSize=10，page表示當前的頁數(shù)，pageSize表示每頁多少條，那這兩個數(shù)據(jù)直接去數(shù)據(jù)庫limit數(shù)據(jù)。

老司機一眼便可以看出這就是分頁的參數(shù)，但是有同學會說：如果我是老司機還干嘛看你的文章？所以我教大家如何來找到這個分頁參數(shù)。

回到某東的商品頁，我們將評價頁面拉到最底下，發(fā)現(xiàn)有分頁的按鈕，然后我們在調(diào)試窗口清空之前的請求記錄。

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

然后我們點擊Headers查看第二頁請求數(shù)據(jù)的url

然后我們比較第一頁評價與第二頁評價的url有何區(qū)別。

這里也就驗證了豬哥的猜想：page表示當前的頁數(shù)，pageSize表示每頁多少條。而且我們還能得出另一個結(jié)論：第一個page=0，第二頁page=1 然后依次往后。有同學會問：為什么第一頁不是1，而是0，因為在數(shù)據(jù)庫中一般的都是從0開始計數(shù)，編程行業(yè)很多數(shù)組列表都是從0開始計數(shù)。

好了，知道分頁規(guī)律之后，我們只要在每次請求時將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：

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

增加一個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)置了一個隨機的休眠時間，意在模擬用戶瀏覽，防止因為爬取太頻繁被封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數(shù)據(jù)進行分詞清洗，對于分詞我們使用著名的分詞庫jieba。

首先是安裝jieba庫：

pip3 install jieba

當然這里你還可以對一些介詞等無效詞進行剔除，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)實現(xiàn)批量爬取

設(shè)置一個爬蟲間隔時間防止被封ip

數(shù)據(jù)的提取與保存到文件

使用jieba庫對數(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，希望大家能自己動手嘗試，去探索更多有趣的案例。