Python3爬虫爬取淘宝商品数据

这次的主要的目的是从淘宝的搜索页面获取商品的信息。其实分析页面找到信息很容易，页面信息的存放都是以静态的方式直接嵌套的页面上的，很容易找到。主要困难是将信息从HTML源码中剥离出来，数据和网页源码结合的很紧密，剥离数据有一定的难度。

然后将获取的信息写入excel表格保存起来，这次只爬取了前面10页的内容。在运行代码的过程中发现，30页后面的数据有问题，出现了手机价格为0的情况，这是不符合实际的，码也没有写错误处理的代码。

这次先写个粗略的，有点凌乱的感觉，下次有时间再系统的整理整理吧。

这是爬取的数据的效果图：

这是程序的代码：

import requests
import re
from xlwt import Workbook
import xlrd
import time

def key_name( number ):
    #获取页面的内容并返回
    name = \'手机\'
    URL_1 = "https://s.taobao.com/search?ie=utf8&initiative_id=staobaoz_20170905&stats_click=search_radio_all%3A1&js=1&imgfile=&q="
    URL_2 = "&suggest=0_1&_input_charset=utf-8&wq=u&suggest_query=u&source=suggest&p4ppushleft=5%2C48&s="
    URL = ( URL_1 + name + URL_2 + str(number))
    #print(URL)
    res = requests.get( URL )
    return res.text

def find_date( text):
    #根据整个页面的信息，获取商品的数据所在的HTML源码并放回
    reg = r\',"data":{"spus":\[({.+?)\]}},"header":\'
    reg = re.compile(reg)
    info = re.findall(reg, text)
    return info[0]

def manipulation_data( info, N, sheet ):
    #解析获取的HTML源码，获取数据
    Date = eval(info)

    for d in Date:
        T = " ".join([t[\'tag\'] for t in d[\'tag_info\']])
        #print(d[\'title\'] + \'\t\' + d[\'price\'] + \'\t\' + d[\'importantKey\'][0:len(d[\'importantKey\'])-1] + \'\t\' + T)
        
        sheet.write(N,0,d[\'title\'])
        sheet.write(N,1,d[\'price\'])
        sheet.write(N,2,T)
        N = N + 1
    return N
    
    
def main():
    
    book = Workbook()
    sheet = book.add_sheet(\'淘宝手机数据\')
    sheet.write(0,0,\'品牌\')
    sheet.write(0,1,\'价格\')
    sheet.write(0,2,\'配置\')
    book.save(\'淘宝手机数据.xls\')
    #k用于生成链接，每个链接的最后面的数字相差48.
    #N用于记录表格的数据行数，便于写入数据
    k = 0
    N = 1
    for i in range(10+1):
        text = key_name( k + i * 48 )
        info = find_date(text)
        N = manipulation_data( info ,N, sheet )
    
        book.save(\'淘宝手机数据.xls\')
        print(\'下载第\' + str(i) + \'页完成\')

if __name__ == \'__main__\':
    main()

秒客网

Python3爬虫爬取淘宝商品数据

相关文章