是一种按照一定规范自动获取网络信息的程序或脚本。 简单来说,网络爬虫就是根据一定的算法实现编程开发, 主要通过URL实现数据的抓取和发掘。
我们先来解决一下前置知识,本爬虫会用到以下库
爬取淘宝商品的信息,数据主要用于分析市场趋势,从而制定一系列营销方案。实现功能如下:
功能实现依次体现了爬虫的开发流程:
爬虫规则->数据清洗->数据存储
使用谷歌浏览器进入淘宝网站,利用搜索的功能输入‘四件套’关键字, 使用浏览器的调试功能捕捉信息,如果在响应的HTML中找不到数据, 那么可能数据是通过Ajax请求后台的,再通过前端渲染到页面上去的, 单击XHR,发送一个请求,查看数据请求信息 接下来,我们单击Preview查看该URL的响应数据格式, 发现数据是JSON格式的,商品的标题,价格,销量, 店铺名称和店铺所在地点 分别对应的数据为rawtitle,viewprice,viewsales,nick,itemloc
我们把它的请求链接拿出来研究一下
https://s.taobao.com/api?_ksTS=1540176287763_226&callback=jsonp227&ajax=true&m=customized&sourceId=tb.index&_input_charset=utf-8&bcoffset=-1&commend=all&suggest=history_1&source=suggest&search_type=item&ssid=s5-e&suggest_query=&spm=a21bo.2017.201856-taobao-item.2&q=四件套&s=36&initiative_id=tbindexz_20170306&imgfile=&wq=&ie=utf8&rn=9e6055e3af9ce03b743aa131279aacfd
我们可以把这个长长的链接简化一下
https://s.taobao.com/api?callback=jsonp227&m=customized&q=%E5%9B%9B%E4%BB%B6%E5%A5%97&s=36
从简化后的URL看出,有两个参数可以动态设置来获取不同的商品
根据对网站的分析获取单个关键字搜索的单页商品信息, 代码如下:
import requests
import json
url = "https://s.taobao.com/api?callback=jsonp227&m=customized&q=四件套&s=36"
r = requests.get(url)
response = r.text
# 截取成标准的JSON格式
# 由于Ajax返回的数据是字符串格式的饿,在返回的值jsonp227(XXX)中
# XXX部分是JSON格式数据,因此先用字符串split()截取XXX部分,
#然后将XXX部分由字符串格式转成JSON格式的数据读取
response = response.split('(')[1].split(')')[0]
# 读取JSON
response_dict = json.loads(response)
# 定位到商品信息列表
response_auctions_info = response_dict['API.CustomizedApi']['itemlist']['auctions']
如果想要获取多页数据,可以在上述的代码中加入一个循环,实现代码如下:
for p in range(88):
url = "https://s.taobao.com/api?callback=jsonp227&m=customized&q=四件套&s=%s"%(p)
r = requests.get(url)
# 获取响应信息字符串
response = r.text
# 转换成JSON格式
response = response.split('(')[1].split(')')[0]
# 加载数据
response_dict = json.loads(response)
# 商品信息
response_auctions_info = response_dict['API.CustomizedApi']['itemlist']['auctions']
上述代码只能获取单个关键字搜索的商品信息, 如果要实现多个关键字的功能呢,就可以在上述代码中在多加一个循环,代码如下:
for k in ['四件套','手机壳']:
for p in range(88):
url = "https://s.taobao.com/api?callback=jsonp227
&m=customized&q=%s&s=%s" %(k,p)
r = requests.get(url)
response = r.text
response = response.split('(')[1].split(')')[0]
response_dict = json.loads(response)
# 商品信息
response_auctions_info = response_dict['API.CustomizedApi']['itemlist']['auctions']
我们以CSV文件的格式存储数据,我们来定义一个函数,传入参数 分别为responseauctionsinfo数据集合信息, file_name保存的文件名:
def get_auctions_info(response_auctions_info,file_name):
with open(file_name,'a',newline='') as csvfile:
# 生成CSV对象,用于写入CSV文件
writer = csv.writer(csvfile)
for i in response_auctions_info:
# 判断是否数据已经记录
if str(i['raw_title']) not in auctions_distinct:
# 写入数据
# 分别是商品信息列表和CSV文件路径。
# 但该文件并没有对CSV设置表头,所以在开始获取数据之前。
# 应该生成对应CSV文件,并设定其表头
writer.writerrow([i['raw_title'],i['view_price'],i['view_sales'],i['nick'],i['item_loc']])
auctions_distinct.append(str(i['raw_title']))
csvfile.close()