Python如何获取亚马逊的评论信息并进行处理

本篇内容主要讲解"Python如何获取亚马逊的评论信息并进行处理"，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习"Python如何获取亚马逊的评论信息并进行处理"吧!

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 = 1post_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-8import requestsfrom 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()

到此，相信大家对"Python如何获取亚马逊的评论信息并进行处理"有了更深的了解，不妨来实际操作一番吧！这里是网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！