python爬取京东商品代码_Python简单爬取京东商品列表
#!/usr/bin/python3
# -*- coding: UTF-8 -*-
import urllib.request
import urllib.error
import re
import csv
import time
global_row = 0
'''
需求:
爬取京东商品数据,以‘java’关键字为例。要求使用最基础的urllib和re库。
需要保存书名,价格,评论数,出版社等信息。
实现:
找出页面规律如下
一、每页显示60个商品,但分为两部分。
1. 每页前30个商品,通过search.jd.com/Search?keyword=java接口获取
每页后30个商品,通过search.jd.com/s_new.php?keyword=java接口获取,这个接口是个XHR请求,通过Chrome的开发者选项可以看出。模拟人向下滚动页面
2. 每个接口有两个关键的参数'page'和's'
参数'page'好理解,就是页面数。对第一个接口变化规律为1,3,5...,对第二个接口变化规律为2,4,6...;
参数's'我猜应该是start,也就是起始商品的索引。实际测试时,这个参数变化不是很规律,这里强制设置每页30个,
这样对第一个接口变化规律1,61,121...,对第二个接口变化规律为31,91,151...
3. 对于获取不到商店名称的情况,再构造chat1.jd.com/api/checkChat请求,获取商店名称。(但还是存在获取不到的情况,页面也不能显示)
'''
def crawl_page(n, csv_writer):
#上半部分网页
top_url = 'http://search.jd.com/Search?keyword=java&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&page=%d&s=%d&click=0' % (2*n- 1, 1 + 60*(n - 1))
content = get_page_content(top_url, True)
parse_content(content, n, csv_writer)
#下半部分网页(需要发送XHR请求的)
current_time = '%.5f' % time.time()
url = 'http://search.jd.com/s_new.php?keyword=java&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&page=%d&s=%d&scrolling=y&log_id=%s' %(2*n, 31 + 60*(n - 1), current_time)
content = get_page_content(url, False)
parse_content(content, n, csv_writer)
def get_page_content(url, is_top):
req = urllib.request.Request(url)
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3192.0 Safari/537.36')
if not is_top:
req.add_header('Referer', 'http://search.jd.com/Search?keyword=java&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&click=0')
req.add_header('X-Requested-With', 'XMLHttpRequest')
response = urllib.request.urlopen(req)
return response.read().decode('utf8')
def get_seller(shop_url):
req = urllib.request.Request(shop_url)
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3192.0 Safari/537.36')
req.add_header('Referer', 'http://search.jd.com/Search?keyword=java&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&click=0')
response = urllib.request.urlopen(req)
content = response.read().decode('utf8')
print('content', content)
seller = re.search(r'"seller":"(.*?)"', content)
if seller:
#获得的值为类似于"\u58a8\u9a6c\u56fe\u4e66\u65d7\u8230\u5e97",需要转码
return seller.group(1).encode('latin-1').decode('unicode_escape')
return ''
def parse_content(content, n, csv_writer):
li_list = re.findall(r'
.*?', content, re.DOTALL)
for li in li_list:
#书名
name_match = re.search(r'
', li, re.DOTALL)
name = ''
if name_match:
name = re.sub(r'<.>', '', name_match.group(1))
else:
print('page %d, name is empty' % n)
#价格
price_match = re.search(r'
', li, re.DOTALL)
price = ''
if price_match:
price = price_match.group(1)
else:
print('page %d, price is empty' % n)
#评论数
commit_match = re.search(r'
', li, re.DOTALL)
commit = ''
if commit_match:
commit = commit_match.group(1)
else:
print('page %d, price is empty' % n)
#出版社(商店)
shop_match = re.search(r'
', li, re.DOTALL)
shop = ''
if shop_match:
shop = shop_match.group(1)
else:
uid = re.match(r'
.*?', li, re.DOTALL).group(1)
seller_url = 'https://chat1.jd.com/api/checkChat?pid=' + uid + '&returnCharset=utf-8'
shop = get_seller(seller_url)
if not shop:
print('page %d, shop is empty' % n)
global global_row
global_row = global_row + 1
csv_writer.writerow([str(global_row), name, price, commit, shop])
def main():
with open('output.csv', 'w', encoding='gbk') as f:
csv_writer = csv.writer(f)
csv_writer.writerow(['序号', '书名', '价格', '评论数', '出版社'])
for i in range(1, 6):
crawl_page(i, csv_writer)
if __name__ == '__main__':
main()
python爬取京东商品代码_Python简单爬取京东商品列表相关推荐
- python爬取豆瓣电影信息_Python|简单爬取豆瓣网电影信息
前言: 在掌握一些基础的爬虫知识后,就可以尝试做一些简单的爬虫来练一练手.今天要做的是利用xpath库来进行简单的数据的爬取.我们爬取的目标是电影的名字.导演和演员的信息.评分和url地址. 准备环境 ...
- python 爬取网页 通知消息_python简单爬取页面信息及实现打开、关闭浏览器
声明:本文仅是为了学习而举例说明python的强大,禁止用于不良目的! 1.python可以打开浏览器并浏览网页,并且保存网页内容到本地硬盘 实现代码如下: import urllib import ...
- python爬去百度百科词条_python简单爬虫爬取百度百科python词条网页
目标分析: 目标:百度百科python词条相关词条网页 - 标题和简介 入口页:https://baike.baidu.com/item/Python/407313 URL格式: - 词条页面URL: ...
- python爬取有道翻译的代码_python实现爬取有道翻译
声明: 1.图文思路来源于本站UP:轻松学Python.视频跳转链接. 2.爬取时应当robots协议.自觉维护网站权益 3.本代码仅限学习交流使用 4.转载附初始创作者信息 >>> ...
- python爬取知乎live_Python爬虫 - 简单抓取百度指数
前言有点忙,没空写东西,这是之前写的,加了些配图而已 这次要爬的网站是百度指数 正文 一.分析 打开网站(百度指数),呈现出来是这样的 如果搜索的话就需要登陆了,如果没有什么特别频繁的请求的话,直接登 ...
- python跑一亿次循环_python爬虫爬取微博评论
原标题:python爬虫爬取微博评论 python爬虫是程序员们一定会掌握的知识,练习python爬虫时,很多人会选择爬取微博练手.python爬虫微博根据微博存在于不同媒介上,所爬取的难度有差异,无 ...
- python爬取知乎标题_python爬虫 爬取知乎文章标题及评论
目的:学习笔记 2.首先我们试着爬取下来一篇文章的评论,通过搜索发现在 response里面我们并没有匹配到评论,说明评论是动态加载的. 3.此时我们清空请求,收起评论,再次打开评论 4.完成上面操作 ...
- python同时注释多行代码_python怎么同时对多行代码进行注释
学会向程序中添加必要的注释,也是很重要的.注释不仅可以用来解释程序某些部分的作用和功能(用自然语言描述代码的功能),在必要时,还可以将代码临时移除,是调试程序的好帮手. 当然,添加注释的最大作用还是提 ...
- python中怎么取整数案例题_python中如何取整数
首先,不得不提醒大家一个容易被忽视或者搞混的问题--一般的,0.5这种末尾是5的小数,四舍五入取整应进位.这个进位的意思是:-0.5 → -1:0.5 → 1.即正负情况不同,都向着远离0,使得绝对值 ...
最新文章
- 山东大学教授建议:让博士生先回学校
- 算法结构2.希尔排序
- apache httpclient 工具类_Java教程分享使用HttpClient抓取页面内容
- HOG:从理论到OpenCV实践
- SQL Server 2017 AlwaysOn AG 自动初始化(十五)
- 每天学一点flash(16) as3.0 与asp通信(3) 错误探究
- 判断2个list中是否有相同的数据(相交)Collections.disjoint
- Linux内核品读 /基础组件/ 模块机制快速入门
- BAJT 中高级 Java 面试题答案
- vue 绑定背景图片、图片
- 全网首发:麒麟平台更新时提示错误:无法解析域名“archive.kylinos.cn”
- 才子进销存软件各版本说明
- 拉普拉斯平滑处理介绍
- 运维工程师可能遇到的面试题
- 奥维查看行政边界_全国乡镇行政区划数据乡镇边界数据查询获取方式
- Linux:进程间通信(创建匿名管道,父子进程间通信,兄弟进程间通信)
- 阿里云HaaS100物联网开发板学习笔记(三)轻应用初步--用js让小灯闪烁起来
- win10专业版没有触摸板选项_Windows10触控板的正确使用方法
- STM32F10x_模拟I2C读写EEPROM(2)(切换SDA方向 + 读ACK位 + 完整代码)
- Caesar Cipher(线段树维护哈希)