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
3. 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webdriver特征检测：通过execute_script修改navigator.webdriver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window.scrollTo模拟鼠标滚动，配合time.sleep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if-else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
5. 反爬机制规避：
   ○ 控制请求频率（设置time.sleep），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。
6. 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。
7. 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。