使用 Selenium 爬取京东手机销量与评分数据 (1)

在电商数据分析场景中，京东作为头部电商平台，其手机品类的销量、评分数据是洞察市场趋势、分析用户偏好的核心依据。相较于静态网页爬取，京东采用动态渲染技术加载商品数据，传统的 Requests+BeautifulSoup 组合难以获取完整信息，而 Selenium 凭借模拟浏览器行为的特性，能完美解决动态数据爬取问题。本文将详细讲解如何基于 Selenium 实现京东手机销量与评分数据的爬取，并完成数据清洗与初步分析。

一、技术选型与环境准备

1. 核心技术栈

• Selenium：模拟 Chrome 浏览器操作，加载动态页面并定位元素；
• ChromeDriver：Chrome 浏览器的驱动程序，实现 Selenium 与浏览器的通信；
• Pandas：数据清洗、存储与初步分析；
• BeautifulSoup：辅助解析网页 HTML 结构，提取目标数据。

2. 环境配置

（1）ChromeDriver 配置

• 查看本地 Chrome 浏览器版本（设置→关于 Chrome）；
• 前往ChromeDriver 官方下载页下载对应版本的驱动；
• 将 ChromeDriver.exe 放入 Python 安装目录（或配置系统环境变量），确保命令行可直接调用。

二、爬取逻辑设计

1. 爬取目标

以京东 "手机" 关键词搜索结果为数据源，提取以下信息：

• 商品名称；
• 商品价格；
• 商品销量（付款人数）；
• 商品评分；
• 评论数。

三、完整实现代码

python

运行

import time
import pandas as pd
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from bs4 import BeautifulSoup

# 代理配置信息（单独定义，便于维护）
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"

class JDPhoneSpider:
    def __init__(self):
        # 配置Chrome选项，避免弹窗与自动化提示
        chrome_options = Options()
        # 无头模式（可选，注释后可见浏览器操作）
        # chrome_options.add_argument('--headless')
        chrome_options.add_argument('--disable-blink-features=AutomationControlled')
        chrome_options.add_experimental_option('excludeSwitches', ['enable-automation'])
        chrome_options.add_experimental_option('useAutomationExtension', False)
        
        # ========== 核心修改：添加代理配置 ==========
        # 1. 配置HTTP代理（包含主机和端口）
        chrome_options.add_argument(f'--proxy-server=http://{proxyHost}:{proxyPort}')
        # 2. 处理代理账号密码认证（需通过Chrome扩展或DesiredCapabilities，这里用更通用的方式）
        # 注：Chrome 90+版本需通过selenium的ChromeDevTools协议注入认证信息
        self.proxy_auth = (proxyUser, proxyPass)
        
        # 初始化浏览器
        self.driver = webdriver.Chrome(options=chrome_options)
        # 注入代理认证（关键：避免代理需要账号密码时访问失败）
        self._set_proxy_auth()
        
        self.driver.execute_script('Object.defineProperty(navigator, "webdriver", {get: () => undefined})')
        self.driver.implicitly_wait(10)  # 隐式等待10秒
        self.wait = WebDriverWait(self.driver, 15)  # 显式等待对象
        self.data_list = []  # 存储爬取的商品数据

    def _set_proxy_auth(self):
        """注入代理账号密码认证，解决带密码的代理访问问题"""
        try:
            # 通过Chrome DevTools协议设置代理认证
            self.driver.execute_cdp_cmd(
                'Network.enable', {}
            )
            self.driver.execute_cdp_cmd(
                'Network.setExtraHTTPHeaders',
                {'headers': {'Proxy-Authorization': f'Basic {self._get_base64_auth()}'}}
            )
        except Exception as e:
            print(f"代理认证配置警告：{e}，部分代理可能无需此步骤")

    def _get_base64_auth(self):
        """将代理账号密码转为Base64编码（HTTP Basic认证要求）"""
        import base64
        auth_str = f"{self.proxy_auth[0]}:{self.proxy_auth[1]}"
        return base64.b64encode(auth_str.encode('utf-8')).decode('utf-8')

    def get_page_data(self, page_url):
        """爬取单页商品数据"""
        self.driver.get(page_url)
        # 模拟滚动加载（京东动态加载商品，需滚动到底部）
        for _ in range(3):
            self.driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')
            time.sleep(2)
        
        # 等待商品列表加载完成
        self.wait.until(EC.presence_of_element_located((By.CLASS_NAME, 'gl-item')))
        
        # 解析页面源码
        soup = BeautifulSoup(self.driver.page_source, 'lxml')
        items = soup.find_all('li', class_='gl-item')
        
        for item in items:
            # 提取商品名称
            name_tag = item.find('div', class_='p-name').find('em')
            name = name_tag.get_text().strip() if name_tag else '未知'
            
            # 提取商品价格
            price_tag = item.find('div', class_='p-price').find('i')
            price = price_tag.get_text().strip() if price_tag else '0'
            
            # 提取销量（付款人数）
            sales_tag = item.find('div', class_='p-commit').find('a', class_='J_comment')
            sales = sales_tag.get_text().strip().replace('万+', '0000').replace('+', '') if sales_tag else '0'
            
            # 提取评分（部分商品无评分，需做容错）
            score_tag = item.find('div', class_='p-commit').find('span', class_='score')
            score = score_tag.get_text().strip() if score_tag else '无评分'
            
            # 提取评论数
            comment_tag = item.find('div', class_='p-commit').find('strong').find('a')
            comment_num = comment_tag.get_text().strip() if comment_tag else '0'
            
            # 整理数据
            self.data_list.append({
                '商品名称': name,
                '价格(元)': price,
                '销量': sales,
                '评分': score,
                '评论数': comment_num
            })
        print(f'当前页爬取完成，累计获取{len(self.data_list)}条数据')

    def crawl(self, keyword='手机', page_num=3):
        """核心爬取函数"""
        base_url = f'https://search.jd.com/Search?keyword={keyword}&enc=utf8&page='
        for page in range(1, page_num * 2, 2):
            # 京东分页URL规则：第1页page=1，第2页page=3，第3页page=5...
            page_url = base_url + str(page)
            print(f'正在爬取第{(page+1)//2}页，URL：{page_url}')
            try:
                self.get_page_data(page_url)
                # 翻页间隔，避免请求过快被风控
                time.sleep(3)
            except Exception as e:
                print(f'第{(page+1)//2}页爬取失败：{str(e)}')
                continue

    def save_data(self, filename='jd_phone_data.csv'):
        """将数据保存为CSV文件"""
        df = pd.DataFrame(self.data_list)
        # 数据清洗：价格转为数值型，销量做简单处理
        df['价格(元)'] = pd.to_numeric(df['价格(元)'], errors='coerce').fillna(0)
        df['评论数'] = df['评论数'].str.replace('万', '0000').replace('+', '')
        df['评论数'] = pd.to_numeric(df['评论数'], errors='coerce').fillna(0)
        
        df.to_csv(filename, index=False, encoding='utf-8-sig')
        print(f'数据已保存至{filename}，共{len(df)}条有效数据')

    def close(self):
        """关闭浏览器"""
        self.driver.quit()

# 主程序执行
if __name__ == '__main__':
    spider = JDPhoneSpider()
    try:
        # 爬取3页手机数据
        spider.crawl(keyword='手机', page_num=3)
        # 保存数据
        spider.save_data()
    finally:
        # 确保浏览器关闭
        spider.close()

四、代码核心解析

1. 浏览器配置

• 关闭<font style="color:rgb(31, 35, 41);background-color:rgba(0, 0, 0, 0);">webdriver</font>特征检测：通过<font style="color:rgb(31, 35, 41);background-color:rgba(0, 0, 0, 0);">execute_script</font>修改<font style="color:rgb(31, 35, 41);background-color:rgba(0, 0, 0, 0);">navigator.webdriver</font>属性，避免京东识别出自动化程序；
• 隐式等待 + 显式等待结合：隐式等待处理全局元素加载，显式等待确保商品列表加载完成后再解析，避免数据缺失。

2. 动态数据加载处理

京东商品列表采用滚动加载机制，通过<font style="color:rgb(31, 35, 41);background-color:rgba(0, 0, 0, 0);">window.scrollTo</font>模拟鼠标滚动，配合<font style="color:rgb(31, 35, 41);background-color:rgba(0, 0, 0, 0);">time.sleep</font>等待数据加载，确保能获取完整的商品信息。

3. 数据提取与容错

• 针对 "无评分""销量为空" 等异常情况，通过<font style="color:rgb(31, 35, 41);background-color:rgba(0, 0, 0, 0);">if-else</font>做容错处理，避免程序崩溃；
• 使用 BeautifulSoup 解析页面，通过 class 定位元素，适配京东网页结构。

4. 数据清洗与存储

• 将价格、评论数转为数值型，方便后续分析；
• 保存为 UTF-8 编码的 CSV 文件，避免中文乱码问题。

五、爬取注意事项

1. 反爬机制规避 ：
   • 控制请求频率（设置<font style="color:rgb(31, 35, 41);background-color:rgba(0, 0, 0, 0);">time.sleep</font>），避免短时间内大量请求；
   • 不使用高并发爬取，单线程爬取少量数据（如 10 页内）更安全；
   • 可添加随机 User-Agent，进一步降低被风控的概率。
2. 网页结构变更：京东网页 class 名称可能随版本更新变化，若爬取失败，需通过浏览器开发者工具（F12）重新定位元素的 class 或 XPath。
3. 合法合规性：本代码仅用于学习研究，爬取数据不得用于商业用途，需遵守京东平台的 robots 协议及相关法律法规。

六、数据应用示例

爬取完成后，可通过 Pandas 做简单分析：

python

运行

import pandas as pd

# 读取数据
df = pd.read_csv('jd_phone_data.csv')
# 1. 筛选评分≥4.8的商品
high_score_phones = df[df['评分'] != '无评分'][df[df['评分'] != '无评分']['评分'].astype(float) ≥ 4.8]
# 2. 统计价格区间分布
price_range = pd.cut(df['价格(元)'], bins=[0, 1000, 2000, 3000, 5000, 10000], labels=['千元内', '1-2千', '2-3千', '3-5千', '5千以上'])
price_dist = price_range.value_counts()
print(price_dist)

总结

1. Selenium 是解决动态网页爬取的核心工具，通过模拟浏览器行为可获取京东动态加载的商品数据；
2. 爬取过程中需重点处理动态加载、反爬机制、数据容错三大问题，确保数据完整性与程序稳定性；
3. 爬取后的数据分析需基于 Pandas 完成数据清洗，才能挖掘出有价值的市场信息，同时需遵守平台规则与法律规定。