Python爬虫实例之淘宝商品比价定向爬取！爬虫还是很有意思的！

这次就模仿之前做的总结进行初次尝试

• 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：获取淘宝的搜索接口淘宝页面的翻页处理
• 技术路线：requests——re

准备工作

• 获取淘宝搜索商品的关键字接口

如下图，自然而然地看见网址中地keyword后面，赫然地跟着“海贼王手办”，几个大字

旧版是 q= 后面连接关键字，这里只是教你怎么看

• 获取翻页的关键字接口

尝试翻页之后，发现page后面对应的页码变为2，所以改变page的就翻页了

这个是新版的，旧版的是s作为关键字，44的倍数一页

• 查看robots协议，查看是否允许进行爬取

如下图，好吧，这个我也忘记了，看一下什么意思

根据基本语法知道，淘宝是不允许所有的爬虫对根目录进行爬取的，但是用于技术探讨应该是可以的

• 如果要获取商品信息的提取范式，需要查看商品信息的表达式形式，于是我打开了网页

如下图，好吧，搜索之下并没有任何发现，似乎没有将信息保存在网页

于是乎我打开某个商品的页面，并查看源代码好吧，所有的信息都是写在标签里面的，教程里面的信息并没有出现

由此发现，淘宝已经有了改良，商品的信息已经不写在html页面中，没有办法直接爬取

但是作为一个练手的项目，可以参照视频里面的版本进行一下分析和讲解，如下图

价格的图片段，“view_price”:“127.00”

分析为正则表达式：“view_price”:"[\d.]*"

名称段，“raw_title”:“超牛娜娜包”

分析成正则表达式：“raw_title”:"[.]*"

程序编写

• 第一步，确定步骤，并将所有的步骤提交商品的搜索请求，获取页面 getHTMLText（）对于每个页面，提取商品的名称和价格信息 parsePage（）将信息输出到屏幕上 printGoodList（）采用main函数将所有的函数连接起来

代码：

# 获取相关的HTML页面信息
# url是网页的连接
def getHTMLtext(url):
     return''

# 获取各个商品的信息
# html是爬取到本地的HTML内容
# ilt是用来存放商品信息的html页面
def parsePage(ilt,html):
     print('')


# 将商品输入到屏幕上
# ilt是容纳对应的商品的信息的列表
def printMessage(ilt):
    print()

# 用main函数将所有的网页链接起来
# 重点在于翻页的方式，获取翻页的关键字
def main():
    goods = '书包'
    depth = 2
    start_url = 'http://a.taobao.com/search?q=' + goods
    infolist = []
    for i in range(2):
        try:
            url = start_url+'&s=' + str(44*i)
            html = getHTMLtext(url)
            parsePage(infolist,html)
        except:
            continue
        printMessage(infolist)

main()
12345678910111213141516171819202122232425262728293031323334

• 第二步，完善各个步骤的方法

逐步完善各个部分的代码

• 第一部分完善getHTMLtext（url），常规的爬取页面的方式，基本上不变

# 获取相关的HTML页面信息
def getHTMLtext(url):
    try:
        r = requests.get(url,timeout = 30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return''
123456789

• 第二部分，完善parsePage（）分析爬取页面（parse描述），不同于以往的BeautifulSoup库查找标签，这里用正则表达式

# 获取各个商品的信息
def parsePage(ilt,html):
    try:
        plt = re.findall(r'\"view_price\"\:\"[\d.]*\"',html)
        tlt = re.findall(r'\"raw_title\"\:\".*?\"',html)
        //根据很久以前的网页得到的信息格式
        for i in range(len(plt)):
            price = eval(plt[i].split(':')[1])
            # eval()函数，将对应的数据外层的双引号或者是单引号去掉
            # 注意，提取之后是作为字符串存在的，然后用”：“将之拆分，仅仅只取后面的值
            title = eval(tlt[i].split(':')[1])
            ilt.append([price.title])
    except:
        print('')
1234567891011121314

• 第三部分，采用格式输出的方式，用format函数，先规定输出的格式，然后逐个输出

# 将商品输入到屏幕上
def printMessage(ilt):
    tplt = '{:4}\t{:8}\t{:16}'
    # 定义输出的模板
    print(tplt.format("序号","价格","商品名称"))
    count = 0
    for g in ilt:
        count = count + 1
        print(tplt.format(count,g[0],g[1]))
123456789

代码总结

import re
import requests

# 获取相关的HTML页面信息
def getHTMLtext(url):
    try:
        r = requests.get(url,timeout = 30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return''

# 获取各个商品的信息
def parsePage(ilt,html):
    try:
        plt = re.findall(r'\"view_price\"\:\"[\d.]*\"',html)
        tlt = re.findall(r'\"raw_title\"\:\".*?\"',html)
        for i in range(len(plt)):
            price = eval(plt[i].split(':')[1])
            # eval()函数，将对应的数据外层的双引号或者是单引号去掉
            title = eval(tlt[i].split(':')[1])
            ilt.append([price.title])
    except:
        print('')


# 将商品输入到屏幕上
def printMessage(ilt):
    tplt = '{:4}\t{:8}\t{:16}'
    # 定义输出的模板
    print(tplt.format("序号","价格","商品名称"))
    count = 0
    for g in ilt:
        count = count + 1
        print(tplt.format(count,g[0],g[1]))

# 用main函数将所有的网页链接起来
def main():
    goods = '书包'
    depth = 2
    start_url = 'http://a.taobao.com/search?q=' + goods
    infolist = []
    for i in range(2):
        try:
            url = start_url+'&s=' + str(44*i)
            html = getHTMLtext(url)
            parsePage(infolist,html)
        except:
            continue
        printMessage(infolist)

main()
1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253

总结

• 我们平常在浏览网页的时候，发现很多的页面是需要登录才能使用，那么爬虫怎么爬取？其实我也不知道，但是我想攻克，在下一篇博客我一定会写这方面的信息
• 现今为止，筛选网上的信息，我们有两种方式方式一：使用BeautifulSoup库，信息包含在标签中方式二：使用正则表达式，整个页面中进行爬取
• 现今为止，我们常用的输出方式，使用format函数，先是写出对应的输出格式，然后再分布填入其中
• 对于关键字，通过之前的几个例子发现，无论是翻页，还是搜索都会映射到网址中的对应的关键字，所以要回看关键字

源码获取加群：850591259