第四次实验报告
201912162019-2020-2 《Python程序设计》实验三报告
课程：《Python程序设计》
班级： 1912
姓名： 赵子瑜
学号：20191216
实验教师：王志强
实验日期：2020年6月1日
必修/选修： 公选课
1.实验内容
Python综合应用：爬虫、数据处理、可视化、机器学习、神经网络、游戏、网络安全等。
实验要求
（1）程序能运行，功能丰富。（需求提交源代码，并建议录制程序运行的视频）10分
（2）综合实践报告，要体现实验分析、设计、实现过程、结果等信息，格式规范，逻辑清晰，结构合理。10分。
（3）在实践报告中，需要对全课进行总结，并写课程感想体会、意见和建议等。5分
2. 实验过程及结果
创建函数：
需求功能：发送请求获得返回数据、解析获得数据、输出解析后的数据。
import requests
import re
import time
def get_comment(itemid):
i = 1#开始页码
d = []#构建一个列表用于判断是否继续循环
lis = []#放置抓取到的内容
while i:
#构建循环用的url
url = 'https://rate.tmall.com/list_detail_rate.htm?itemId={}&order=3&sellerId=1914459560¤tPage={}'.format(itemid,str(i))
html = requests.get(url).text#获取相关内容的源代码
pl = re.findall(r'"rateContent":"(.*?)","rateDate"',html)#评论抓取
dat = re.findall(r'"rateDate":"(.*?)","reply"',html)#评论时间抓取
if dat == d or pl ==[]:#判断是否重复或者是否存在评论
print('==============================')
return lis #跳出循环并返回值
else:
try:
d = dat#没有重复则将评论时间赋值给d，用于下次循环判断
except IndexError as e:
continue#出现该错误则跳出循环，进行下一次
print("第%d页评论"%i,pl)#打印评论内容
lis.append(pl)
i += 1
time.sleep(2)#访问间隔
————————————————
运行截图：
我们这里只需要评论数据，所以，用正则匹配评论部分就可以了！
然后通过抓到json数据，用正则匹配返回列表，直接抓取整个页面的店铺id
def get_id(kw='德州扒鸡'):
'''
其他只抓了首页44家店铺的，没有抓后面页面，后续需改进
'''
url = 'https://s.taobao.com/search?data-key=s&data-value=44&ajax=true&' \
'_ksTS=1529811793535_1018&callback=jsonp1019&q={}&imgfile=&js=1&' \
'stats_click=search_radio_all:1&initiative_id=staobaoz_20180624&' \
'ie=utf8&bcoffset=4&p4ppushleft=1,48'.format(kw)
html = requests.get(url).text
id_list = re.findall(r',"auctionNids":\[(.*?)\],"ifDoufuAuction"',html,re.S)[0]
return id_list.replace('"','').split(',')
————————————————
3. 实验过程中遇到的问题和解决过程
问题1：程序运行没有输出。
问题1解决方案：检查请求状态码，发现状态码为200，能够正常访问。我后来才发现是因为参考的资料为18年之前的资料，淘宝后来增设了一个反爬虫机制。需要想办法去躲开反爬虫机制：
将上面复制的内容粘贴到https://curl.trillworks.com/，就可以得到headers，使用这个headers就能正常爬取商品信息了。
课程感想
通过一学期对python的学习，我对python这门语言有了更加深入的了解。虽然课程比较近，但是还是在课程中学到了一些知识，学会了一些简单的操作，知道了如何去爬虫。
参考资料
《常用python爬虫框架整理》
《Python urllib、urllib2、urllib3用法及区别》
