基于Python获取亚马逊的评论信息的处理

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
• 4.2while循环翻页
• 总结

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：

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ip
    def 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 proxies
            else:
                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 += 1
            else:
                break

最后的整合代码：

# coding=utf-8
import requests
from scrapy import selector
 
class getreview():
    page = 1
    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",
    }
    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 += 1
            else:
                break
    # api获取ip
    def 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 proxies
                print('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 res
                except:
                    print(f'第{i+1}次请求出错')
                else:
                    return none
        else:
                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()

总结

本次的亚马逊评论获取就是两个坑，一是评论信息通过的xhr请求方式，二是评论信息的处理。分析之后这次的数据获取还是非常简单的，找到正确的请求方式，稳定的ip代理让你事半功倍，找到信息的共同点进行处理，问题就迎刃而解了。

到此这篇关于基于python获取亚马逊的评论的文章就介绍到这了,更多相关python亚马逊的评论内容请搜索www.887551.com以前的文章或继续浏览下面的相关文章希望大家以后多多支持www.887551.com！