Python爬虫系列 - 初探：爬取旅游评论

Posted 2021-01-16 kaimobile

Python爬虫目前是基于requests包，下面是该包的文档，查一些资料还是比较方便。

http://docs.python-requests.org/en/master/

爬取某旅游网站的产品评论，通过分析，获取json文件需要POST指令。简单来说：

• GET是将需要发送的信息直接添加在网址后面发送
• POST方式是发送一个另外的内容到服务器

那么通过POST发送的内容可以大概有三种，即form、json和multipart，目前先介绍前两种

1.content in form

Content-Type: application/x-www-form-urlencoded

将内容放入dict，然后传递给参数data即可。

payload = {‘key1‘: ‘value1‘, ‘key2‘: ‘value2‘}
r = requests.post(url, data=payload)

2. content in json

Content-Type: application/json

将dict转换为json，传递给data参数。

payload = {‘some‘: ‘data‘}
r = requests.post(url, data=json.dumps(payload))

或者将dict传递给json参数。

payload = {‘some‘: ‘data‘}
r = requests.post(url, json=payload)

然后贴一下简单的代码供参考。

import requests
import json

def getCommentStr():
    url = r"https://package.com/user/comment/product/queryComments.json"

    header = {
        ‘User-Agent‘:           r‘Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:62.0) Gecko/20100101 Firefox/62.0‘,
        ‘Accept‘:               r‘application/json, text/javascript, */*; q=0.01‘,
        ‘Accept-Language‘:      r‘en-US,en;q=0.5‘,
        ‘Accept-Encoding‘:      r‘gzip, deflate, br‘,
        ‘Content-Type‘:         r‘application/x-www-form-urlencoded; charset=UTF-8‘,
        ‘X-Requested-With‘:     r‘XMLHttpRequest‘,
        ‘Content-Length‘:       ‘65‘,
        ‘DNT‘:                  ‘1‘,
        ‘Connection‘:           r‘keep-alive‘,
        ‘TE‘:                   r‘Trailers‘
    }

    params = {
        ‘pageNo‘:               ‘2‘,
        ‘pageSize‘:             ‘10‘,
        ‘productId‘:            ‘2590732030‘,
        ‘rateStatus‘:           ‘ALL‘,
        ‘type‘:                 ‘all‘
    }
    
    
    r = requests.post(url, headers = header, data = params)
    print(r.text)

getCommentStr()

小技巧

• 对于cookies，感觉可以用浏览器的编辑功能，逐步删除每次发送的cookies信息，判断哪些是没有用的？
• 对于测试代码阶段，我还是比较习惯于将爬取的数据存为str，也算是为了服务器减负吧。