Python爬取淘宝图片

爬取淘女郎模特图片与相关信息

（一） 解析淘女郎首页网站地址

打开淘女郎首页界面 https://www.taobao.com/markets/mm/mm2017，点击 查看更多，然后 F12 进入网页抓包工具，按 F5观察数据加载变化。审查元素发现，我们想找的图片的链接在网页的源代码里更本找不到，所以这个网页应该不是简单的静态网页。不然那那些妹子图不给我们轻易就得到了。。哈哈。不过不怕。我们进入 NETwork 里面看有没有动态加载的文件是我们想要的。

果然，仔细观察发现，里面加载的内容跟当前页面的人名及其他信息完全吻合。便可以肯定这就是我们要的数据。所以，查看request url获取相关url。https://mm.taobao.com/alive/list.do?scene=all&page=1
而后面的page=1 则就表示，第一页。只要我们把数值改变便可以加载到对应的页码。

个人觉得这个还算简单。所以直接上代码了：

import urllib.request
import re
from user_agent.base import generate_user_agent


class Spider:
    # 定义需要爬取的页数
    def __init__(self, page):
        self.page = int(page)

     # 获取要爬取的图片的页数
    def get_pags(self, page):
        for i in range(1, page+1):
            url = "https://mm.taobao.com/alive/list.do?scene=all&page=%d"%i
            yield url

    # 定义常用的 URL 打开函数
    def open_url(self, url):
        user_agent = generate_user_agent()
        header = {"User-Agent":user_agent}
        req = urllib.request.Request(url, headers=header)
        response = urllib.request.urlopen(req).read() # 文件未进行decode解码，此时为response二进制文件
        return response

    # 定义获取图片名称的函数
    def get_name(self, url):
        response = self.open_url(url).decode('gbk').encode('utf-8').decode('utf-8')
        name_list = re.compile('darenNick":"(.*?)"').findall(response)
        return name_list

    # 定义获取图片链接地址并返回图片内容
    def get_picture(self, url):
        response = self.open_url(url).decode('gbk').encode('utf-8').decode('utf-8')
        link_list = re.compile('avatarUrl":"(.*?)"').findall(response)
        for link in link_list:
            if re.compile('http:').match(link):
                img = self.open_url(link)
            else:
                link_ = 'http:'+ link
                img = self.open_url(link_)
            yield img               # 这里一个二进制生成器，方便图片保存

    # 保存图片
    def save_picture(self, url):
        name = self.get_name(url)
        img = self.get_picture(url)
        list_zip = list(zip(name, img))

        for each in list_zip:
            with open('./首页/%s.jpg'%each[0], 'wb') as f:
                f.write(each[1])


    def main(self):
        links = self.get_pags(self.page)
        for link in links:
            print(link)
            self.get_name(link)
            self.get_picture(link)
            self.save_picture(link)
        print("It's done!!")

if __name__ == "__main__":
    spider = Spider(67)
    spider.main()

都是一些常见的爬虫知识，而我重点要讲的不是这个，而是这中间的这个decode编码问题(纯属个人的看法)：这里面获取那些信息的时候那是出现那些编码错误，好像是由于，中文与utf-8的老毛病导致的。我试过在decode()参数中设置忽略ignore，与replace，然而并没有什么用。试来试去发现这种办法最靠谱了。不报错。如果有遇到相同错误的可以参考一下。
结果部分截图：

（二） 解析淘女郎找模特网址地址

相比于首页来说，抓取”找模特”里面模特的信息，才算有点难度。但只要不怕辛苦，慢慢摸索。还是可以找到规律 的。一开始我也是一头雾水，等自己搞出来之后发现感觉蛮爽还。。
1，进入找模特

2，细心找
进入一个网页地址第一件事肯定是，审查元素。发现也不能在网页源码中找到信息。想想我们上面说的，那就是耐细的去网页数据包中找。先看有没有动态加载的XHR,一般都是在这个下面可以找到。没错。这个就是这么找到的。

右边的数据仔细一看，发现它是一个像字典一样的东西，里面包含了很多键值对，再网页翻发现最里面那一层包含了30对键值对，分别包含一些用户名，userID ，等。这个时候再看这个网页，发现，刚好有30张照片。初步确定就是这个。

随后，找到request url 的请求网络地址，然后用浏览器打开。发现里面包含了30张照片的基本信息。于是我们就知道，这就是我们要的 真实的 URL。

3，信息获取
我们可以看到，每张图片下方都有对应模特的相关信息：名字，城市，身高，体重，被赞次数。
当我们点进去看，里面还有很多东西，相册里面有很多写真。模特卡里面还有跟多个人简介，三围等
这里呢，我们初步确定先只爬取模特的相关信息：名字，城市，身高，体重，被赞次数，并且每个模特单独使用一个文件夹。

4，分析代码可行度
我们需要编写一个函数从来获取图片
一个用来获取名字，另一个用来获取其他的相关信息。
这个应该容易。因为提取信息，只需要用到很简单的正则表达式即可。

在准备好这一切之后。发现，整个页面只有30张图片，是不是少了点。那么我们怎么翻页呢？首先肯定是去往源代码里找翻页的链接可不可以用。结果显示，是不可以的。那么我么怎么去做？下面来看：

在header里面可以看到，下面有个一个表单。而这个表单就是我们这个网页提交的数据。里面有一项currentpage，当你切换页码的时候，发现这个值跟随页码也在变化。好了。肯定就是这样了。
所有我们可以通过表单提交数据来达到切换到下一页的目的。然后结合我们前面的，大致的思路应该出来了，即：

①编写几个获取相应信息的函数
②然后编写保存这个些信息的函数
③接着通过切换下一页来达到保存更多的信息

5，给出代码参考

# -*- coding : utf-8 -*-
'''
Desc: 抓取淘宝中淘女郎模特的信息：

    名字,图片,身高，体重
    以文件夹形式保存
    信息保存为文本
    通过观察network 中变化，得出信息网址：https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8

    经过分析发现，无法通过此网站源码中链接实现翻页，于是想到通过提交表单数据实现翻页。request url 不变

    然后就是如何进入 各位模特的详情页 的问题了。通过观察发现：
    https://mm.taobao.com/self/aiShow.htm?&userId=268367415  可以进入对应模特的个人界面。
    https://mm.taobao.com/self/model_info.htm?user_id=268367415  可以进入对应model的模特卡，里面有跟多相关信息。
    而 userId 正好我们可以从前面那个链接获取到。通过改变ID便可实现对详情页面信息的爬取
'''
import urllib.request
import urllib.parse
import re
from user_agent.base import generate_user_agent
import os.path, os
from datetime import datetime
import threading
# 设立标志位flag 用于判断文件是否已经存在，用来避免重复操作
global flag
class Spider:
    def __init__(self):
        pass

    # 定义常用的 URL 打开函数
    def open_url(self, url, data):
        data = urllib.parse.urlencode(data).encode("utf-8")
        user_agent = generate_user_agent()
        header = {"User-Agent":user_agent}
        req = urllib.request.Request(url, data=data, headers=header)
        response = urllib.request.urlopen(req).read() # 文件未进行decode解码，此时为response二进制文件
        return response

    # 获取model的realname
    def get_realname(self, url, data):
        response = self.open_url(url, data).decode('gbk').encode('utf-8').decode('utf-8')
        name = re.compile('realName":"(.*?)"').findall(response)
        return name

    # 获取model头像地址，并返回图片的二进制信息
    def get_head(self, url,data):
        response = self.open_url(url,data).decode('gbk').encode('utf-8').decode('utf-8')
        link_list = re.compile('avatarUrl":"(.*?)"').findall(response)
        imgs = []
        for link in link_list:
            link_ = 'http:'+ link
            img = urllib.request.urlopen(link_).read()
            imgs.append(img)
        return imgs               # 直接返回二进制文件，方便图片保存

    # 保存一张图片
    def save_img(self, img, folder, picname, i):
        print("正在保存 %s 的照片..." %picname)
        with open(folder+'/'+picname+'.jpg', 'wb') as f:
            f.write(img)
        print("完成！")

    # 获取model的 城市，身高，体重，被赞次数
    def get_desc(self,url, data):
        response = self.open_url(url,data).decode('gbk').encode('utf-8').decode('utf-8')
        city = re.compile('city":"(.*?)"').findall(response)
        height = re.compile('height":"(.*?)"').findall(response)
        weight = re.compile('weight":"(.*?)"').findall(response)
        favor = re.compile('totalFavorNum":(.*?),').findall(response)
        # 建立人物信息对应关系
        desc = list(zip(city, height, weight, favor))
        return desc

    # 保存一个人物信息
    def save_desc(self, folder, filename, desc, i):
        print("正在保存 %s 的个人信息" %filename)
        line = "model：\t\t %s \n\n所在城市：\t\t %s \n\n身高(cm)：\t\t %s \n\n体重(kg)：\t\t %s \n\n这货被赞过： %d 次" % (
        filename, desc[i][0], (desc[i][1]), (desc[i][2]), int(desc[i][3]))

        with open(folder + '/' + filename + '.txt', 'w') as f:
            f.write(line)
        print("完成！")


    # 建立每个模特的文件夹
    def make_dir(self, folder):
        #判断model文件夹下是否存在folder
        if os.path.exists(folder):
            print("文件夹已存在！")
            flag = 1
            return flag
        else:
            os.mkdir(folder)
            print("已创建文件夹 %s " % folder)
            flag = 0
            return flag

    def main(self):
        url = "https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8"
        print(datetime.now().strftime( '%Y-%m-%d %H:%M:%S' ))
        pages = int(input("程序开始...\n请输入要爬取的页数(1-1450):\n" ))
        if pages<1:
            print("太小啦，请输入1-1450之间的整数...")
        if pages>1450:
            print("太大啦，请输入1-1450之间的整数...")
        i = 0
        # 选择一个文件夹
        os.chdir("model")

        # 实现翻页操作
        for page in range(1,pages+1):
            data = {'currentPage': page, 'pageSize':100}
            # 重置i 因为每一页只有30份数据
            i =0
            # 获取人物基本信息
            real_name = self.get_realname(url, data)
            imgs = self.get_head(url, data)
            desc = self.get_desc(url, data)
            # 围绕名字这个关键字来理清思路
            for name in real_name:
                flag = self.make_dir(name)
                if flag == 0:
                    print("正在进行第 %d 页的第 %d 次操作，操作对象是： %s " % (page, i + 1, name))
                    # 保存model头像的二进制文件
                    self.save_img(imgs[i], name, name, i)
                    self.save_desc(name, name, desc, i)
                else:
                    pass
                i += 1
        print("It's done!!\n", datetime.now().strftime( '%Y-%m-%d %H:%M:%S' ))

if __name__ == "__main__":
    spider = Spider()
    spider.main()

6，代码分析

1，上边代码的注释都非常清楚，import user_agent 是用来随机生成可用的user-agent模拟浏览器访问，防止被BAN。
我对部分代码进行了处理，比如利用标志位防止文件夹重复操作，只不过代码太过冗长，因为我没有花时间去优化下它，都是想到什么写什么，所以仅供参考。

2，这个代码的功能及其少，不过如果要爬取跟跟多信息也很简单。如：
https://mm.taobao.com/self/aiShow.htm?&userId=268367415 可以进入对应模特的个人界面。
https://mm.taobao.com/self/model_info.htm?user_id=268367415 可以进入对应model的模特卡，
上面这连个链接可以让我们获得跟更多的信息。而我们可以通过改变 userID的值来获得不同model的不同信息。这些userID我们都可以在上面的代码中获得，只需要多添加一行代码用正则提取相关userID操作即可。这个没啥大问题。

3，代码在执行过程中，可以回比较慢，因为这只是一个单线程，而且还受网路影响，不过单线程才是主要的。所以建议开多个线程来执行这个操作。这样会快很多。由于程序改动会比较麻烦。我就没弄了。。我太懒了。没办法。。。。还有一个就是多线程不太会。。[/尴尬]
结果部分截图：

好吧，就这么多了..