Python爬蟲系列 - 初探：爬取旅游評論

Python爬蟲目前是基於requests包，下麵是該包的文檔，查一些資料還是比較方便。

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

爬取某旅游網站的產品評論，通過分析，獲取json文件需要POST指令。簡單來說：

• GET是將需要發送的信息直接添加在網址後面發送
• POST方式是發送一個另外的內容到伺服器

那麼通過POST發送的內容可以大概有三種，即form、json和multipart，目前先介紹前兩種

1.content in form

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

將內容放入dict，然後傳遞給參數data即可。

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

2. content in json

Content-Type: application/json

將dict轉換為json，傳遞給data參數。

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

或者將dict傳遞給json參數。

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

然後貼一下簡單的代碼供參考。

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

• 對於cookies，感覺可以用瀏覽器的編輯功能，逐步刪除每次發送的cookies信息，判斷哪些是沒有用的？
• 對於測試代碼階段，我還是比較習慣於將爬取的數據存為str，也算是為了伺服器減負吧。