基于Python获取亚马逊的评论

​

亚马逊网站用户的评论能直观的反映当前商品值不值得购买，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：

1. headers = {
2. 'authority': 'www.amazon.it',
3. "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",
4. "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",
5. }
6.
7. page = 1
8. post_data = {
9. "sortBy": "recent",
10. "reviewerType": "all_reviews",
11. "formatType": "",
12. "mediaType": "",
13. "filterByStar": "",
14. "filterByLanguage": "",
15. "filterByKeyword": "",
16. "shouldAppend": "undefined",
17. "deviceType": "desktop",
18. "canShowIntHeader": "undefined",
19. "pageSize": "10",
20. "asin": "B08GHGTGQ2",
21. }
22. # 翻页关键payload参数赋值
23. post_data["pageNumber"] = page,
24. post_data["reftag"] = f"cm_cr_getr_d_paging_btm_next_{page}",
25. post_data["scope"] = f"reviewsAjax{page}",
26. # 翻页链接赋值
27. spiderurl=f'https://www.amazon.it/hz/reviewsrender/ajax/reviews/get/ref=cm_cr_getr_d_paging_btm_next_{page}'
28. res = requests.post(spiderurl,headers=headers,data=post_data)
29. if res and res.status_code == 200:
30. res = res.content.decode('utf-8')
31. 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：

1. # 返回值字符串处理
2. contents = res.split('&&&')
3. for content in contents:
4. 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：

1. for content in contents:
2. infos = content.split('","')
3. info = infos[-1].replace('"]','').replace('\\n','').replace('\\','')
4. # 评论内容判断
5. if 'data-hook="review"' in info:
6. sel = Selector(text=info)
7. data = {}
8. data['username'] = sel.xpath('//span[@class="a-profile-name"]/text()').extract_first() #用户名
9. data['point'] = sel.xpath('//span[@class="a-icon-alt"]/text()').extract_first() #评分
10. data['date'] = sel.xpath('//span[@data-hook="review-date"]/text()').extract_first() #日期地址
11. data['review'] = sel.xpath('//span[@data-hook="review-title"]/span/text()').extract_first() #评价标题
12. data['detail'] = sel.xpath('//span[@data-hook="review-body"]').extract_first() #评价内容
13. image = sel.xpath('div[@class="review-image-tile-section"]').extract_first()
14. data['image'] = image if image else "not image" #图片
15. 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/​​

下面的代理获取的方法：

1. # api获取ip
2. def getApiIp(self):
3. # 获取且仅获取一个ip------意大利
4. api_url = '获取代理地址'
5. res = requests.get(api_url, timeout=5)
6. try:
7. if res.status_code == 200:
8. api_data = res.json()['data'][0]
9. proxies = {
10. 'http': 'http://{}:{}'.format(api_data['ip'], api_data['port']),
11. 'https': 'http://{}:{}'.format(api_data['ip'], api_data['port']),
12. }
13. print(proxies)
14. return proxies
15. else:
16. print('获取失败')
17. except:
18. 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：

1. def getPLPage(self):
2. while True:
3. # 翻页关键payload参数赋值
4. self.post_data["pageNumber"]= self.page,
5. self.post_data["reftag"] = f"cm_cr_getr_d_paging_btm_next_{self.page}",
6. self.post_data["scope"] = f"reviewsAjax{self.page}",
7. # 翻页链接赋值
8. spiderurl = f'https://www.amazon.it/hz/reviews-render/ajax/reviews/get/ref=cm_cr_getr_d_paging_btm_next_{self.page}'
9. res = self.getRes(spiderurl,self.headers,'',self.post_data,'POST',check)#自己封装的请求方法
10. if res:
11. res = res.content.decode('utf-8')
12. # 返回值字符串处理
13. contents = res.split('&&&')
14. for content in contents:
15. infos = content.split('","')
16. info = infos[-1].replace('"]','').replace('\\n','').replace('\\','')
17. # 评论内容判断
18. if 'data-hook="review"' in info:
19. sel = Selector(text=info)
20. data = {}
21. data['username'] = sel.xpath('//span[@class="a-profile-name"]/text()').extract_first() #用户名
22. data['point'] = sel.xpath('//span[@class="a-icon-alt"]/text()').extract_first() #评分
23. data['date'] = sel.xpath('//span[@data-hook="review-date"]/text()').extract_first() #日期地址
24. data['review'] = sel.xpath('//span[@data-hook="review-title"]/span/text()').extract_first() #评价标题
25. data['detail'] = sel.xpath('//span[@data-hook="review-body"]').extract_first() #评价内容
26. image = sel.xpath('div[@class="review-image-tile-section"]').extract_first()
27. data['image'] = image if image else "not image" #图片
28. print(data)
29. if self.page <= 99:
30. print('Next Page')
31. self.page += 1
32. else:
33. break

最后的整合代码：

1. # coding=utf-8
2. import requests
3. from scrapy import Selector
4.
5. class getReview():
6. page = 1
7. headers = {
8. 'authority': 'www.amazon.it',
9. "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",
10. "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",
11. }
12. post_data = {
13. "sortBy": "recent",
14. "reviewerType": "all_reviews",
15. "formatType": "",
16. "mediaType": "",
17. "filterByStar": "",
18. "filterByLanguage": "",
19. "filterByKeyword": "",
20. "shouldAppend": "undefined",
21. "deviceType": "desktop",
22. "canShowIntHeader": "undefined",
23. "pageSize": "10",
24. "asin": "B08GHGTGQ2",
25. }
26. #post_data中asin参数目前写死在
27. #"https://www.amazon.it/product-reviews/B08GHGTGQ2?ie=UTF8&pageNumber=1&reviewerType=all_reviews&pageSize=10&sortBy=recent"
28. #这个链接里，不排除asin值变化的可能，如要获取get请求即可
29.
30. def getPLPage(self):
31. while True:
32. # 翻页关键payload参数赋值
33. self.post_data["pageNumber"]= self.page,
34. self.post_data["reftag"] = f"cm_cr_getr_d_paging_btm_next_{self.page}",
35. self.post_data["scope"] = f"reviewsAjax{self.page}",
36. # 翻页链接赋值
37. spiderurl = f'https://www.amazon.it/hz/reviews-render/ajax/reviews/get/ref=cm_cr_getr_d_paging_btm_next_{self.page}'
38. res = self.getRes(spiderurl,self.headers,'',self.post_data,'POST',check)#自己封装的请求方法
39. if res:
40. res = res.content.decode('utf-8')
41. # 返回值字符串处理
42. contents = res.split('&&&')
43. for content in contents:
44. infos = content.split('","')
45. info = infos[-1].replace('"]','').replace('\\n','').replace('\\','')
46. # 评论内容判断
47. if 'data-hook="review"' in info:
48. sel = Selector(text=info)
49. data = {}
50. data['username'] = sel.xpath('//span[@class="a-profile-name"]/text()').extract_first() #用户名
51. data['point'] = sel.xpath('//span[@class="a-icon-alt"]/text()').extract_first() #评分
52. data['date'] = sel.xpath('//span[@data-hook="review-date"]/text()').extract_first() #日期地址
53. data['review'] = sel.xpath('//span[@data-hook="review-title"]/span/text()').extract_first() #评价标题
54. data['detail'] = sel.xpath('//span[@data-hook="review-body"]').extract_first() #评价内容
55. image = sel.xpath('div[@class="review-image-tile-section"]').extract_first()
56. data['image'] = image if image else "not image" #图片
57. print(data)
58. if self.page <= 99:
59. print('Next Page')
60. self.page += 1
61. else:
62. break
63.
64. # api获取ip
65. def getApiIp(self):
66. # 获取且仅获取一个ip------意大利
67. api_url = '获取代理地址'
68. res = requests.get(api_url, timeout=5)
69. try:
70. if res.status_code == 200:
71. api_data = res.json()['data'][0]
72. proxies = {
73. 'http': 'http://{}:{}'.format(api_data['ip'], api_data['port']),
74. 'https': 'http://{}:{}'.format(api_data['ip'], api_data['port']),
75. }
76. print(proxies)
77. return proxies
78. else:
79. print('获取失败')
80. except:
81. print('获取失败')
82.
83. #专门发送请求的方法,代理请求三次，三次失败返回错误
84. def getRes(self,url,headers,proxies,post_data,method):
85. if proxies:
86. for i in range(3):
87. try:
88. # 传代理的post请求
89. if method == 'POST':
90. res = requests.post(url,headers=headers,data=post_data,proxies=proxies)
91. # 传代理的get请求
92. else:
93. res = requests.get(url, headers=headers,proxies=proxies)
94. if res:
95. return res
96. except:
97. print(f'第{i+1}次请求出错')
98. else:
99. return None
100. else:
101. for i in range(3):
102. proxies = self.getApiIp()
103. try:
104. # 请求代理的post请求
105. if method == 'POST':
106. res = requests.post(url, headers=headers, data=post_data, proxies=proxies)
107. # 请求代理的get请求
108. else:
109. res = requests.get(url, headers=headers, proxies=proxies)
110. if res:
111. return res
112. except:
113. print(f"第{i+1}次请求出错")
114. else:
115. return None
116.
117. if __name__ == '__main__':
118. 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。