python通过snowNLP和jieba分析评论情感进行电影评分预测

上一篇使用Java写了数据爬虫用以抓取京东商品名称，但实际上京东上有很多有价值的数据，其中之一就是用户反馈即评论。今天就用Python写一个小爬虫把它抓出来。

Python抓取京东商品评论

工程开始

与一般的网页数据不同，这里我们打开网页控制台，找到Network——JS——productPageComm… 看右边Preview中的数据，发现我们想要的数据就在这个数据包里。

找到了数据包，我们还需要知道它的请求头也就是Headers,这里面有一些很重要的请求参数，我们在下面这两张图中的到数据包的URL，cookie，referer，user-agent等请求参数

其中最下方的一些参数是数据的一些详细参数，需要留下来有用

执行工程

找到了数据和这些参数，我们就可以开始这项工程了。因为这里的评论采用的的Json数据格式，因此我们要用到Json解析这个数据包。多说不易，现在就开始实现。

程序演示：

import requests
import json
import re
import time
# 获取网页html
def getHTML(url, data, head):
    # 捕获异常
    try:
        r = requests.get(url, params=data,headers=head)
        r.raise_for_status()
        return r.text
    except:
        print('爬取失败')

# 获取某一页评论数据
def getComment(html):
    # 页面编成json数据，无论什么格式的数据编码后都变成字符串类型
    i = json.dumps(html)
    # json转Python对象
    j = json.loads(i)
    # 正则表达式数据过滤
    comment = re.findall(r'{"productAttr":.*}', j)
    # json解析
    comm_dict = json.loads(comment[0])
    # 存数据实体
    commentList = []
    # comments是评论实体
    comm_list = comm_dict['comments']
    for com in comm_list:
        # 用户id
        id=com['id']
        # 名称
        name=com['referenceName']
        # 用split去空格与换行 join连成整段评论
        comment = ''.join(com['content'].split())
        # 用户评分
        score = com['score']  # 用户打分
        # 时间
        time=com['creationTime']
        # 放入列表
        commentList.append([id,name,score, comment])

    return commentList

# 分页获取商品评论
def getComments(url, num):
    head={
        "cookie": "__jdu=514410137; shshshfpa=de1af04d-d6e2-d3f8-66c0-f7d724ece5b4-1563464689; shshshfpb=n9hljtB4BtrvID18wW3hGEA%3D%3D; user-key=90547600-3f76-4b35-82c5-769e44d366bb; PCSYCityID=CN_410000_411600_411681; cn=1; unpl=V2_ZzNtbRdVEEElD0Bcfh5ZUWILRQoRV0BBIAsUUisbDlVkBxYKclRCFX0UR1JnGlUUZwQZXUpcRhNFCEdkeBBVAWMDE1VGZxBFLV0CFSNGF1wjU00zQwBBQHcJFF0uSgwDYgcaDhFTQEJ2XBVQL0oMDDdRFAhyZ0AVRQhHZH8ZWQBnAhJfRGdzEkU4dlx%2fGlUGYzMTbUNnAUEpCkRSfR9ZSGMDF1hCVkMXczhHZHg%3d; __jdv=76161171|baidu-pinzhuan|t_288551095_baidupinzhuan|cpc|0f3d30c8dba7459bb52f2eb5eba8ac7d_0_d3bea679464e49ffb12ed2c7a3ca255f|1564301987290; __jda=122270672.514410137.1563429557.1564131246.1564301987.18; __jdc=122270672; areaId=7; 3AB9D23F7A4B3C9B=YVDJT5SQG7K264X7SHL45HEDVKQ3JTSIIK2MSSYK4HSLG7INEVZFJWERJLMER2KDKZ6HMD357AE5XIGS6PPWOJB7GU; shshshfp=8fb64f0a1c8c89bc0df6660ba541fff5; ipLoc-djd=7-527-536-34975; JSESSIONID=F95037CB7B4578CA78FCF406F4FD084E.s1; shshshsID=50f3460c5eb2ffe9a0f9b54fcf341eff_12_1564304160657; __jdb=122270672.12.514410137|18.1564301987"
        ,"referer": "https://item.jd.com/100003786269.html"
        ,"user-agent": "Mozilla/5.0"
    }
    data={
        "callback":"fetchJSON_comment98vv5459",
        "productId":"100003786269",
        "score": 0,
        "sortType": 5,
        "page": 0,
        "pageSize": 10,
        "isShadowSku": 0,
        "fold": 1
    }
    # 数据容器
    commetns=[]
    for i in range (num+1):
        try:
            # 控制页码
            data['page']=i
            html=getHTML(url,data,head)
            commlist = getComment(html)
        # 捕获异常
        except:
            print("第%d页抓取失败"%i)
            
        commetns.append(commlist)
        print("第%d页评论抓取成功！"%i)
        
        # 睡眠一会防止被封
        time.sleep(3)

    return commetns

def main():
    # 评论根网页
    url="https://sclub.jd.com/comment/productPageComments.action?"
    num=(int)(input("请输入抓取结束页码:"))
    
    commlist=getComments(url,num)
    print("数据抓取结束，准备写入文件中。。。")
    
    page=0
    f = open('JDComment.txt', 'a', encoding='UTF-8')
    
    for list in commlist:
        print("--->第%d页正在写入。。。"%page)
        strpage="--->第"+str(page)+"页共计"+str(len(list))+"条评论如下:"
        f.write(strpage+'\n')
        
        # 睡一会防止写入出错
        time.sleep(1.5)
        for data in list:
            strid="用户ID:"+str(data[0])
            f.write(strid+'\n')
            strname="    产品:"+str(data[1])
            f.write(strname+'\n')
            strsc="    评分:"+str(data[2])
            f.write(strsc+'\n')
            strcom="    评论详情:"+str(data[3])
            f.write(strcom+'\n')

        print("第%d页写入成功"%page)
        page+=1
    # 关闭文件
    f.close()
main()

程序结束。

校验结果：

这里我们只抓取了5页评论数据，检查运行结果和文件后发现，前5页评论数据全部抓取成功！

若非群玉山头见，会向瑶台月下逢。