摘要：和前面幾節(jié)課類似的分析這節(jié)課就不做了，對(duì)于分頁，請求什么的，大家可以直接參考前面的四節(jié)課，這一刻主要特別的是，我們在采集商品的同時(shí)，會(huì)將京東的商品評(píng)價(jià)采集下來。

系列教程：

手把手教你寫電商爬蟲-第一課 找個(gè)軟柿子捏捏

手把手教你寫電商爬蟲-第二課 實(shí)戰(zhàn)尚妝網(wǎng)分頁商品采集爬蟲

手把手教你寫電商爬蟲-第三課 實(shí)戰(zhàn)尚妝網(wǎng)AJAX請求處理和內(nèi)容提取

手把手教你寫電商爬蟲-第四課 淘寶網(wǎng)商品爬蟲自動(dòng)JS渲染

四節(jié)課過去了，咱們在爬蟲界也都算見過世面的人，現(xiàn)在再來一些什么ajax加載之類的小魚小蝦應(yīng)該不在話下了，即使是淘寶這種大量的ajax，我們祭上我們的核武器，也輕松應(yīng)對(duì)了，這一課主要是來看看除了技術(shù)上的頁面處理外，我們還會(huì)遇上更棘手的問題，就是反爬蟲，當(dāng)然現(xiàn)在有各種各樣的反爬蟲，今天就先介紹最簡單的一種：限制IP。

今天咱們的對(duì)手依然是業(yè)界大佬，馬云最忌憚的男人，宅男心中愛恨交錯(cuò)的對(duì)象 - JD.COM

也不用我安利，特別是程序員，有幾個(gè)沒給京東送過錢的。廢話不多說，先上工具：

1、神箭手云爬蟲，2、Chrome瀏覽器 3、Chrome的插件XpathHelper 不知道是干嘛的同學(xué)請移步第一課

打開網(wǎng)站瞅一眼：

好了，相信我，截這張圖絕對(duì)不是在虐你們這些單身狗。我們就是科學(xué)的研究一下這個(gè)頁面，沒啥特別的：大廠風(fēng)，硬仗準(zhǔn)備。

先來挑一個(gè)分類吧，這次挑一個(gè)大家都熟悉的互聯(lián)網(wǎng)書類：

http://search.jd.com/Search?keyword=Python&enc=utf-8&book=y&wq=Python&pvid=33xo9lni.p4a1qb

你們的最愛，python從入門到放棄的全部資料。

和前面幾節(jié)課類似的分析這節(jié)課就不做了，對(duì)于分頁，ajax請求什么的，大家可以直接參考前面的四節(jié)課，這一刻主要特別的是，我們在采集商品的同時(shí)，會(huì)將京東的商品評(píng)價(jià)采集下來。同時(shí)呢，我們也探討下該如何應(yīng)對(duì)京東對(duì)IP的限制，OK，先直接上代碼：

var configs = {  
    domains: ["search.jd.com","item.jd.com","club.jd.com"],  
    scanUrls: ["http://search.jd.com/Search?keyword=Python&enc=utf-8&qrst=1&rt=1&stop=1&book=y&vt=2&page=1&s=1&click=0"],  
    contentUrlRegexes: ["http://item.jd.com/d+.html"],  
    helperUrlRegexes: ["http://search.jd.com/Search?keyword=Python&enc=utf-8&qrst=1&rt=1&stop=1&book=y&vt=2&page=d+&s=1&click=0"],//可留空  
    fields: [  
        {  
            // 第一個(gè)抽取項(xiàng)  
            name: "title",  
            selector: "http://div[@id="name"]/h1",//默認(rèn)使用XPath  
            required: true //是否不能為空  
        },  
        {  
            // 第一個(gè)抽取項(xiàng)  
            name: "productid",  
            selector: "http://div[contains(@class,"fl")]/span[2]",//默認(rèn)使用XPath  
            required: true //是否不能為空  
        },  
        {  
            name: "comments",  
            sourceType: SourceType.AttachedUrl,  
            attachedUrl: "http://club.jd.com/productpage/p-{productid}-s-0-t-3-p-0.html",  
            selectorType: SelectorType.JsonPath,  
            selector: "$.comments",  
            repeated: true,  
            children:[  
                {  
                    name: "com_content",  
                    selectorType: SelectorType.JsonPath,  
                    selector: "$.content"  
                },  
                {  
                    name: "com_nickname",  
                    selectorType: SelectorType.JsonPath,  
                    selector: "$.nickname"  
                },  
            ]  
        }  
    ]  
};  
configs.onProcessHelperUrl = function(url, content, site){  
    if(!content.indexOf("抱歉，沒有找到")){  
        var currentPage = parseInt(url.substring(url.indexOf("&page=") + 6));  
        if(currentPage == 0){  
            currentPage = 1;  
        }  
        var page = currentPage + 2;  
        var nextUrl = url.replace("&page=" + currentPage, "&page=" + page);  
        site.addUrl(nextUrl);  
    }  
    return true;  
};  
var crawler = new Crawler(configs);  
crawler.start();  

這里主要給大家講一下這個(gè)評(píng)論的配置，由于評(píng)論是多項(xiàng)，且評(píng)論還有子項(xiàng)，在框架中，是通過children關(guān)鍵字來配置的。具體參照代碼既可，我們可以在子項(xiàng)中在定義不同的字段，像這里的comments抽取項(xiàng)會(huì)有content和nickname兩個(gè)子抽取項(xiàng)，分別對(duì)應(yīng)的是評(píng)論的內(nèi)容和昵稱。

這里是一個(gè)簡化的版本，由于京東頁面相對(duì)很復(fù)雜，我們在抽取評(píng)論的時(shí)候，只抽取前一部分評(píng)論，當(dāng)然我們還可以拿到更多的信息，包括評(píng)論數(shù)，評(píng)論人的等級(jí)等等，這里大家就自行探索吧。

最后，由于京東會(huì)對(duì)IP進(jìn)行封鎖，雖然說神箭手會(huì)自動(dòng)分布式開啟爬蟲，不過依然扛不住京東大叔的封鎖，因此這里需要通過接入代理IP解決這樣的問題，類似開啟js渲染，爬取速度會(huì)大大下降，需要大家耐心等待結(jié)果嘍，代碼如下：

configs.enableProxy = true;  

大功告成，開啟爬蟲，喝杯咖啡，京東商品的評(píng)論就可以看到啦：

評(píng)論因?yàn)槭菙?shù)字，因此會(huì)存儲(chǔ)的時(shí)候，會(huì)直接存儲(chǔ)成json格式：

對(duì)爬蟲感興趣的童鞋可以加qq群討論：342953471。