欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

淘宝商品定向爬取

程序员文章站 2022-06-20 08:38:38
淘宝商品比价定向爬虫 功能描述: 1、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 2、理解:淘宝的搜索接口,翻页处理 技术路线:requests + re 程序的结构设计: 1、提交商品搜索的请求,循环获取页面。 2、对于每个页面,提取商品名称和价格信息。 3、将信息输出到屏幕上。 重要 ......

淘宝商品比价定向爬虫

功能描述:

1、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

2、理解:淘宝的搜索接口,翻页处理

 

技术路线:requests + re

程序的结构设计:

1、提交商品搜索的请求,循环获取页面。

2、对于每个页面,提取商品名称和价格信息。

3、将信息输出到屏幕上。

 

重要:在淘宝获取页面时,淘宝设置了登录验证才能访问,此时在requests请求时,需要设置cookies和user-agent。

import requests
import re

def gethtmltext(url,kv,cookies):
    try:
        r=requests.get(url,headers = kv,cookies = cookies,timeout = 30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""

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])
              title = eval(tlt[i].split(':')[1])
              ilt.append([price,title])
     except:
           print("")





def printgoodlist(ilt):
    tplt = "{:4}\t{:8}\t{:16}"
    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]))


def main():
    goods = '书包'
    depth = 3
    start_url = 'https://s.taobao.com/search?&q=' + goods
    coo = 'thw=cn; t=254ecf83ad9b49c70d383c71e214fab2;cna=kbbgffo2du8caxfzkr/6/wq5; tg=0;enc=xwabwic%2bqzfhpca6p6g4cz34emasvk3ljzrst%2fkmfk5ja31%2bmjmxgvbdj%2b82q2pjlj83duh5lbpaw%2bpi53l4%2bq%3d%3d; hng=cn%7czh-cn%7ccny%7c156; x=e%3d1%26p%3d*%26s%3d0%26c%3d0%26f%3d0%26g%3d0%26t%3d0; tracknick=xxp158125132; lgc=xxp158125132; _cc_=urm48syizq%3d%3d; uc3=vt3=f8dbyr1tom%2bgeylp6re%3d&id2=vweyzoanisao&nk2=g5htj%2bhk8f8st03j&lg2=w5ihllyfogw7aa%3d%3d; mt=ci=94_1; v=0; cookie2=1794e2e0aad3f137168e0a64b250dced; _tb_token_=e33e0373befbe; isg=betlnz2ukxogtcghre2manjz2u8_4f80dj1myl1ijwrh3gs-rbdvsul6spyxj7da'
   cookies = {}
    for line in coo.split(';'):
        name,value=line.strip().split('=',1)
        cookies[name]=value
    kv = {'user-agent':'mozilla/5.0 (windows nt 6.1; wow64) applewebkit/537.36 (khtml, like gecko) chrome/70.0.3538.67 safari/537.36'}
    infolist = []
    for i in range(depth):
        try:
            url = start_url+'&s=' + str(44*i)
            html = gethtmltext(url,kv,cookies)
            parsepage(infolist,html)
        except:
            continue
    printgoodslist(infolist)


main()