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()
下一篇: 六大设计原则(一)SRP单一职责原则