首页导航博客电子书算法众创代码随贴关于我们

利用PHP从淘宝采集评论和成交数据

代码正文双击正文可选择全部

1[代码][php]

如果不想通过淘宝开放平台API获取数据，那么另外一个很好的办法就是采集了。一般来说，采集一个网页上的内容，只需要用CURL获取源代码，然后用正则表达式取出需要的内容就可以，不过如果这样载入一个淘宝的页面，会发现根本没有评论和成交数据，直接查看源代码可以看到评论的是空的。分析页面后发现，淘宝的评论并不是直接输出在页面中，而是在点击评论和成交的时候，才会跨域获取数据，并用脚本解析显示。
 
这样的处理方式使得CURL页面的方式不好使用了，但是实际上获得数据反而更容易：使用CURL还必须考虑装修模板的问题，通用性并不好，而跨域获取的数据多数情况下是一个标准的格式，通过抓取数据包最后发现淘宝的评论数据是从http://rate.taobao.com/feedRateList.htm?使用URL直接GET方式过来的，并且是标准的JSON格式。 
 
数据地址：
http://rate.taobao.com/feedRateList.htm?callback=jsonp_reviews_list&userNumId=【掌柜的账号数字ID】&auctionNumId=【商品ID】&currentPageNum=【评论分页页码】
其他还有些参数可以不用。【掌柜的账号数字ID】抓包时可获取，商品ID在宝贝页面链接中的id值就是。
 
第二步：解析数值。因为淘宝的页面编码是GBK的，而PHP在处理GBK编码的JSON文件时，对其中的中文处理是有问题的，会替换成空值，所以最后JSON数据decode出来的是一个NULL，解决办法是将GBK编码转换为UTF-8。如果你的网站是UTF-8的，那么把从淘宝抓来的JSON直接转成UTF-8然后decode就可用了，如果是GBK的，则转好后再转回GBK就可以。下面以http://item.taobao.com/item.htm?id=20972699241为例，UTF-8页面的处理方法：
$ch = curl_init();//初始化，创建句柄
curl_setopt($ch, CURLOPT_URL, "http://rate.taobao.com/feedRateList.htm?callback=jsonp_reviews_list&userNumId=1048567622&auctionNumId=20972699241&currentPageNum=1");//设置细节参数
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_HEADER, 0);
$str = curl_exec($ch);//获取内容
$str = mb_convert_encoding($str,'UTF-8','GBK');//转换编码
$str = str_replace('jsonp_reviews_list(','',$str);//去掉多余的字符串
$str = str_replace(')','',$str);
$data = json_decode($str,TRUE);//得到数据了，第二个参数是转化为数组
print_r($data)//输出页面查看
注意几个细节：
1、从淘宝抓来的JSON是GBK编码的；
2、PHP的json_decode()函数处理GBK编码的中文数据是有问题的，需要转换UTF-8后处理；
3、iconv()和mb_convert_encoding()函数也各有优劣和BUG，注意处理。
4、curl函数的使用；
5、如果要采集不止一页评论，总的页面数可以在返回值中的maxpage获取。
 
购买记录数据的获取方法大同小异，天猫的评论获取地址也有所不同，不过方法都是一样的。