python爬取淘宝商品比价实例(对re库的使用,淘宝反爬虫机制的解决)

时间:2024-02-24 21:12:03

实例介绍

目的:获取某种类别商品的信息,提取商品的名称与价格

可行性分析

1.查看淘宝的robots协议,附网址https://www.taobao.com/robots.txt

 

 查看发现淘宝不允许任何人对淘宝信息进行爬取。那么作为一名守法公民为了不要引起不必要的麻烦,

一,不要爬取,二,爬取的程序不要做任何商业用途,仅仅只能用作技术学习。

程序结构

1.请求搜索商品,循环获取页面

2.解析页面内容,获取商品价格名称

3.输出获得的信息

结构分析

查看商品的数量,比如,我要查看卫衣

 

 

 显示了一百页,那么我们查看时就要考虑查看多少了,如果是一页,就只需要爬取一个链接里的信息,

如果要爬取多个页面的信息,就需要多个链接了,这时就需要找到链接之间的关系。

第一个页面的URL:

https://s.taobao.com/search?initiative_id=tbindexz_20170306&ie=utf8&spm=a21bo.2017.201856-taobao-item.2&sourceId=tb.index&search_type=item&ssid=s5e&commend=all&imgfile=&q=卫衣&suggest=history_1&_input_charset=utf8&wq=&suggest_query=&source=suggest&bcoffset=6&ntoffset=6&p4ppushleft=1%2C48&s=0

第二个页面的URL:

https://s.taobao.com/search?initiative_id=tbindexz_20170306&ie=utf8&spm=a21bo.2017.201856-taobao-item.2&sourceId=tb.index&search_type=item&ssid=s5e&commend=all&imgfile=&q=卫衣&suggest=history_1&_input_charset=utf8&wq=&suggest_query=&source=suggest&bcoffset=3&ntoffset=3&p4ppushleft=1%2C48&s=44

第二个页面的URL:

https://s.taobao.com/search?initiative_id=tbindexz_20170306&ie=utf8&spm=a21bo.2017.201856-taobao-item.2&sourceId=tb.index&search_type=item&ssid=s5e&commend=all&imgfile=&q=卫衣&suggest=history_1&_input_charset=utf8&wq=&suggest_query=&source=suggest&bcoffset=0&ntoffset=6&p4ppushleft=1%2C48&s=88

连续查看三个页面的URL后发现,每个URL尾部s以44递增。找到规律后,就可以用循环语句进行页面请求了。

实例编写

 1 import requests
 2 import re
 3 
 4 def getHTMLText(url):
 5     try:
 6         r = requests.get(url,timeout = 30)
 7         r.raise_for_status()
 8         r.encoding = r.apparent_encoding
 9         return r.text
10     except:
11         return ""
12 def parsePage(ilt,html):
13     #正则表达式获取商品名称和商品价格
14     try:
15 #使用正则表达式,\表示引入一个"view_price"的键,后面\引入键的值
16         plt = re.findall(r\'\"view_price\"\:\"[\d\.]*\"\',html)
17 #*?表示最小匹配
18         tlt = re.findall(r\'\"raw_title\"\:\".*?\"\',html)
19         for i in range(len(plt)):
20             price = eval(plt[i].split(":")[1])
21             title = eval(tlt[i].split(":")[1])
22             ilt.append([price,title])
23     except:
24         print(" ")
25 def printGoodslist(ilt):
26     tplt = "{:4}\t{:8}\t{:16}"
27     print(tplt.format("序号","价格","商品名称"))
28     count = 0
29     for x in ilt:
30         count = count + 1
31         print(tplt.format(count,x[0],x[1]))
32 def main():
33     goods = \'卫衣\'
34     depth = 2
35     star_url = \'https://s.taobao.com/search?q=\' +goods
36     infoList = []
37     for i in range(depth):
38         try:
39             url = star_url + \'&s=\' + str(44*i)
40             html = getHTMLText(url)
41             parsePage(infoList,html)
42         except:
43             continue
44     printGoodslist(infoList)
45 main()

 

 编译运行后发现程序并没有报错,但没有出现商品的输出信息,着实让人摸不着头脑。于是在百度帮助下,

我先是检查自己的URL是不是正确的,复制程序中的URL在浏览器打开,发现可以进入淘宝,URL是正确的。

不是URL的问题,那就是淘宝的问题了,原来淘宝设置反爬虫机制,需要用户登录验证。爬取时需要模拟浏

览器登录才能获取信息。

1.浏览器打开淘宝,登录

2.搜索框搜索自己想要爬取的东西,例如卫衣,按F12打开开发者工具

3.选中网络,再选中doc文件

 

 4.回到淘宝首页,开发者工具不要关闭!

 

 刷新出如图的一个文件

5.打开文件,找到cookie和user-agent,将里面的内容完全复制下来

 

 

 

 

 

 

 最后在原来的代码写一个headers字典模拟浏览器请求访问,放入刚才复制的cookie和user-agent

全代码:

 1 import requests
 2 import re
 3 
 4 def getHTMLText(url):
 5     headers={\'cookie\':\'td_cookie=18446744071423230592; thw=cn; v=0; cna=SCVpFkZXfCwCAT24cx3PJgie; t=6adef129ce0b98c6fcd52f3e83e3be03; cookie2=7de44eefb19e3e48e25b7349163592b7; _tb_token_=f1fae43e5e551; unb=3345403123; uc3=nk2=F6k3HMt8ZHbGobgMG0t6YMg7MKU%3D&vt3=F8dByuQFmIAq493a88Y%3D&lg2=W5iHLLyFOGW7aA%3D%3D&id2=UNN5FEBc3j%2FI9w%3D%3D; csg=07879b0c; lgc=t_1499166546318_0384; cookie17=UNN5FEBc3j%2FI9w%3D%3D; dnk=t_1499166546318_0384; skt=759aebdc118b2fc5; existShop=MTU3NTEwNzAyMg%3D%3D; uc4=id4=0%40UgQxkzEr7yNNkd0wQjAOQOK5hAra&nk4=0%40FbMocp0bShNOwIAboxPdw7pZW0Ru%2FnrngZiTM4a03Q%3D%3D; tracknick=t_1499166546318_0384; _cc_=UIHiLt3xSw%3D%3D; tg=0; _l_g_=Ug%3D%3D; sg=439; _nk_=t_1499166546318_0384; cookie1=B0TwtzQNNmewbhSpcaaRe7U24nc6DXOpwhexZLEN8Zo%3D; mt=ci=0_1; _m_h5_tk=ec0a32b82d6a8d5c46fe6f873373169b_1575114952532; _m_h5_tk_enc=cfea89ad4f02b520c3a094931d00e376; enc=CnjhIlaGaoA3J%2FSi2PeXU8%2FNC4cXQUAZjulyZI%2Bd9Z8JjGflldsE%2F%2B8F0Ty2oLD4v1wKgm3CuiGftr11IfyB5w%3D%3D; hng=CN%7Czh-CN%7CCNY%7C156; l=dBIBcdfeq5nSzFl5BOCa-urza77ThIRvfuPzaNbMi_5Ia1T6YV7OknJtce96cjWfTG8B4HAa5Iy9-etlwrZEMnMgcGAw_xDc.; uc1=cookie15=VFC%2FuZ9ayeYq2g%3D%3D&cookie14=UoTbmEp9zNxMrw%3D%3D; isg=BDk53DNPQMq9RRxe_Fnoei4wSKUTRi34hR8HPVturmDf4ll0o5Y9yKc0YOYUrsUw\',
 6          \'user-agent\':\'Mozilla/5.0\'}
 7     try:
 8         r = requests.get(url,headers = headers,timeout = 30)
 9         r.raise_for_status()
10         r.encoding = r.apparent_encoding
11         return r.text
12     except:
13         return ""
14 def parsePage(ilt,html):
15     #正则表达式获取商品名称和商品价格
16     try:
17 #使用正则表达式,\表示引入一个"view_price"的键,后面\引入键的值
18         plt = re.findall(r\'\"view_price\"\:\"[\d\.]*\"\',html)
19 #*?表示最小匹配
20         tlt = re.findall(r\'\"raw_title\"\:\".*?\"\',html)
21         for i in range(len(plt)):
22             price = eval(plt[i].split(":")[1])
23             title = eval(tlt[i].split(":")[1])
24             ilt.append([price,title])
25     except:
26         print(" ")
27 def printGoodslist(ilt):
28     tplt = "{:4}\t{:8}\t{:16}"
29     print(tplt.format("序号","价格","商品名称"))
30     count = 0
31     for x in ilt:
32         count = count + 1
33         print(tplt.format(count,x[0],x[1]))
34 def main():
35     goods = \'卫衣\'
36     depth = 2
37     star_url = \'https://s.taobao.com/search?q=\' +goods
38     infoList = []
39     for i in range(depth):
40         try:
41             url = star_url + \'&s=\' + str(44*i)
42             html = getHTMLText(url)
43             parsePage(infoList,html)
44         except:
45             continue
46     printGoodslist(infoList)
47 main()

在headers字典时,程序一直报错,报错在user-agent后面的冒号上,弄了很长时间不得解,百度也没办法

最后才想起写字典时中间的键值对没有给英文逗号,令人啼笑皆非。

最后的编译结果: