一. 淘宝商品信息定向爬虫
二. 爬虫基础:正则表达式
三. 淘宝页面查看与分析
四. 爬虫源码
一. 淘宝商品信息定向爬虫
注意淘宝的robots.txt不允许任何爬虫爬取,我们只在技术层面探讨这一章节的内容。
二. 爬虫基础:正则表达式
完整版正则表达式的详细介绍见本人的这篇博客:博客链接
三. 淘宝页面查看与分析
功能描述:目标:获取淘宝搜索页面的信息,提取其中的商品名称和价格
理解:淘宝的搜索接口
翻页的处理
技术路线:requests-re淘宝商品信息起始页
/search?q=%E4%B9%A6%E5%8C%85&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo..56-taobao-item.1&ie=utf8&initiative_id=tbindexz_0306第二页
/search?q=%E4%B9%A6%E5%8C%85&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo..56-taobao-item.1&ie=utf8&initiative_id=tbindexz_0306&bcoffset=3&ntoffset=3&p4ppushleft=1%2C48&s=44第三页
/search?q=%E4%B9%A6%E5%8C%85&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo..56-taobao-item.1&ie=utf8&initiative_id=tbindexz_0306&bcoffset=0&ntoffset=6&p4ppushleft=1%2C48&s=88 一. 回到文首 淘宝界面源代码:
我们查看淘宝的源代码:发现,价格字段由’view_price’来标识,商品名称字段由’raw_title’来标识。因此如果我们想要获得这两个信息,只要在获得的文本中检索到其中的view_price和raw_title并把后续的相关内容提取出来即可。从众多的文本中提取我们想要的信息,用正则表达式是非常合适的。另一个重要原因是,淘宝页面的商品信息虽然包含在html页面中,但它是一种脚本语言的体现,并不是完整的html页面的表示,它使用了动态脚本js,所以我们这里bs4库九无能为力了。
按嵩老师给的方法,现在已经不能够爬取内容。
一. 回到文首现在需要模拟浏览器的header,也可以说是cookie,如下所示:
(1):首先登陆自己的淘宝账户
(2):在淘宝首页搜索书包
(3):在下方界面右键点击检查(以Chrome为例)
点击network,然后不要关闭检查界面,点击浏览器的刷新按钮,这时会出现很多文件
在红框文件处右键,选择Copy as cURL(bash)转到网址点击:/,不要关闭淘宝界面,因为界面关闭后cookie只能维持一小段时间。关机之后爬取仍需重新粘贴新的headers。
一. 回到文首 将复制内容,粘贴到curl command,可以规范代码格式。再复制Python requests里的
headers = {}
里的内容即可,放到自己的代码中。
一. 回到文首
四. 爬虫源码
爬虫源码,在Python环境中运行即可:import requestsimport redef getHTMLText(url):try:# ***********************************************************# 下方的header的字符串填上自己的浏览器生成的内容# ***********************************************************header = {'authority': '','cache-control': '','upgrade-insecure-requests': '','user-agent': '','accept': '','referer': '','accept-encoding': '','accept-language': '','cookie': '',}r = requests.get(url, headers = header)r.raise_for_status()r.encoding = r.apparent_encoding# print(r.request.headers)return r.textexcept:return ""def parserPage(ilt, html):"""parserPage()函数用来解析返回的html页面"""try:# 老师的教程上这里在原始字符串里用了转义符,可以不用,但在\.这里必须用# 因为.也是正则表达式里的一个特殊字符,用\.转义表示是真正的小数点# 用变量plt来接受findall()方法返回的列表# plt所存储的列表的内容是html中所有满足正则表达式# r'"view_price":"\d+\.\d*"'的字符串,以列表形式返回plt = re.findall(r'"view_price":"\d+\.\d*"', html)# 用变量tlt存储返回的title信息列表tlt = re.findall(r'"raw_title":".*?"', html)# 遍历列表pltfor i in range(len(plt)):# 把plt列表中的第i个字符串拿出来,并用:分割,将价格以字符串形式返回# eval()将字符串类型的价格转化为整形price = eval(plt[i].split(':')[1])# title这里可以加eval(),输出时不带引号,也可以不加,自己实验title = tlt[i].split(':')[1]# 将price和title组成的列表追加到ilt列表中ilt.append([price, title])except:print("")def printGoodsList(ilt):"""printGoodsList()函数打印商品信息"""# tplt定义了一个待格式化的字符串tplt = "{:4}\t{:8}\t{:16}"# tplt调用format()方法,按次序将字符串填入相对应的{}中print(tplt.format("序号", "价格", "商品名称"))# 定义一个计数器,用于输出序号count = 0for g in ilt:# 遍历列表iltcount += 1# 格式化输出序号count,价格g[0],商品名称g[1]print(tplt.format(count, g[0], g[1]))def main():# 定义要搜索的商品名goods = '书包'# 定义爬取的深度depth = 2# 定义爬取的urlstart_url = '/search?q=' + goods# 定义空列表infoList = []# 遍历每一页的内容for i in range(depth):try:url = start_url + '&s=' + str(44*i)html = getHTMLText(url)parserPage(infoList, html)except:continueprintGoodsList(infoList)main()
注意淘宝的robots.txt不允许任何爬虫爬取,我们只在技术层面探讨这一章节的内容。
仅供教学,请勿对淘宝网造成性能干扰。一. 回到文首